Bauwerke der modernen Infrastruktur sind über die gesamte Lebensdauer kontinuierlich hohen Beanspruchungen ausgesetzt. Die Sicherstellung von Standsicherheit und Gebrauchstauglichkeit von Infrastrukturbauwerken hat im Kontext der Bauwerkserhaltung oberste Priorität, um Gefahren für Leib und Leben und wirtschaftliche Verluste zu vermeiden. Der aktuelle Bauwerkszustand wird durch regelmäßige Inspektionen ermittelt, wobei klassische Verfahren wie die handnahe Prüfung in der DIN 1076 geregelt sind. Diese sind bei großen Bauwerken wie Brücken infolge des Geräteeinsatzes für die Zugänglichkeit, notwendiger Sperrungen und spezialisierten Personals sehr zeit- und kostenintensiv. Gegenstand dieses Vorhabens ist die Konzeption und Evaluierung einer Verarbeitungskette zur signifikanten Beschleunigung und Unterstützung der visuellen Prüfung von Bauwerken. Die zentrale Datenquelle bilden dabei digitale Bilder der Bauwerksoberfläche, die mittels Unbemannter Flugsysteme (UAS) automatisiert aufgenommen werden. Mithilfe moderner Methoden und Algorithmen werden aus den Bilddaten sowohl quantitative als auch georeferenzierte (verortete) Zustandsinformationen bezüglich der Schädigung der betrachteten Struktur gewonnen. Für die bildbasierte Detektion von Anomalien an Bauwerksoberflächen steht bisher noch keine einheitliche Methodik zur Verfügung. Im Mittelpunkt dieses Vorhabens steht der Einsatz von Methoden des maschinellen Lernens wie CNNs (Convolutional Neural Networks), um eine Methodik zur automatisierten Detektion von Rissen auf Betonoberflächen zu entwickeln. Anhand ausgewählter Referenzbauwerke wird evaluiert, wie zuverlässig und robust potenziell geschädigte Bereiche automatisiert in Bildern detektiert und verortet werden können. Diese Ergebnisse bilden die Entwicklungsgrundlage für ein zukünftiges Unterstützungssystem, das die Prozesskette von der Planung der Datenaufnahme bis zur zuverlässigen Verortung potenzieller Schäden bei der Prüfung von Infrastrukturbauwerken umfasst.