Acidentes de trânsito são o oitavo maior fator causador de mortes no mundo. O avanço tecnológico tem contribuído para evitar ou mitigar tais ocorrências. Em rodovias, o monitoramento por meio de câmeras de vídeo contribui para reduzir o tempo de atendimento a vítimas e limpeza da pista evitando novos desdobramentos. Carros autônomos utilizam-se de sensores visuais, ultrassônicos e radar para uma condução segura. Adicionalmente, em alguns cenários a identificação de sons pode desempenhar um papel importante para sistemas de monitoramento ou sensoriamento. Este trabalho propõe o desenvolvimento de um modelo de aprendizado de máquina capaz de identificar sons relacionados a acidentes de trânsito, podendo ser empregado em conjunto, ou isoladamente, a tais sistemas. A base de dados utilizada foi montada a partir de diferentes fontes e contém sons de colisões, derrapagens e buzinas combinados a diferentes ruídos. Para a extração de atributos, foram avaliadas técnicas como o coeficiente de mel-frequência (MFCC) e espectrogramas em escala mel, servindo de entrada para um algoritmo baseado em redes neurais convolucionais (CNN), o qual foi configurado como um classificador. A acurácia obtida foi acima de 98% tanto na validação quanto para os dados de teste, compatível com outros trabalhos na literatura.