El número creciente de vehículos ha provocado que las condiciones de tráfico se vuelvan cada vez más complicadas en términos de seguridad. Los vehículos autónomos emergentes (AVs) tienen el potencial de reducir significativamente los accidentes. El sistema avanzado de asistencia al conductor (ADAS) ha recibido una amplia atención. El mantenimiento de carril y el cambio de carril son dos maniobras básicas de conducción en autopistas. Es muy importante que la tecnología ADAS los identifique de manera efectiva. El reconocimiento de la maniobra de cambio de carril se ha utilizado para estudiar la seguridad vial durante muchos años. Se han propuesto diferentes modelos. Con el desarrollo de la tecnología, el aprendizaje automático se ha introducido en este campo con resultados efectivos. Sin embargo, los modelos que requieren una gran cantidad de datos físicos como entrada y sensores costosos conducen al alto costo de las plataformas AV. Esto dificulta el desarrollo de los AVs. Este estudio propone un modelo de reconocimiento de la maniobra de cambio de carril basado en un conjunto distinto de datos físicos. El escenario de conducción del conjunto de datos de trayectorias de vehículos naturales (es decir, HighD) se utiliza para el aprendizaje automático. La aceleración y la velocidad se extraen y se etiquetan como datos físicos. Las características normalizadas se introducen en el modelo de clasificación de vecinos más cercanos (KNN). El modelo entrenado se aplicó a otro conjunto de datos y obtuvo buenos resultados. Los resultados muestran que, basándose en las características de aceleración, la precisión de clasificación del mantenimiento de carril (LK), el cambio de carril a la izquierda (LCL) y el cambio de carril a la derecha (LCR) es del 100%, 97,89% y 96,19%.