Hasta la fecha, la tecnología de conducción automática se ha convertido en un tema candente en la academia. Es necesario proporcionar una personalización de la decisión de conducción automática para cada pasajero. El propósito de este artículo es proponer un método de autoaprendizaje para decisiones de conducción personalizadas. Primero, se recopilan y analizan datos de conducción de diferentes conductores para establecer objetivos de aprendizaje. Luego, se utiliza el algoritmo de Gradiente de Política Determinista Profunda para diseñar un sistema de decisión de conducción. Además, se introducen factores personalizados para algunos parámetros observados para construir un modelo de decisión de conducción personalizada. Finalmente, se compara el método propuesto con algoritmos clásicos de Aprendizaje por Refuerzo Profundo. Los resultados muestran que el rendimiento del modelo de decisión de conducción personalizada es mejor que el de los algoritmos clásicos y es similar a la situación de conducción manual. Por lo tanto, el modelo propuesto puede aprender de manera efectiva las decisiones de conducción personalizadas similares a las humanas de diferentes conductores para carreteras estructuradas. Basado en este modelo, el coche inteligente puede lograr una conducción personalizada.