Über das unmittelbare menschliche Leid hinaus hat Russlands Großinvasion in die Ukraine massive Schäden an ziviler Infrastruktur verursacht. Das Ausmaß und die Art dieser Zerstörung machen eine rasche Schadensbewertung dringend erforderlich, um den Wiederaufbau zu planen. Gängige Praktiken zur Bewertung beruhen stark auf manueller Inspektion vor Ort, wodurch sie langsam und ressourcenintensiv sind und es für lokale Behörden schwierig ist, sie einheitlich auf mehrere Siedlungen auszuwei­ten. Satellitenbilder gelten weithin als hilfreiche Grundlage zur Beobachtung kriegsbedingter Schäden. Satellitenbasierte Ansätze liefern zwar eine großräumige Übersicht und lassen sich gut auf große Gebiete skalieren, erreichen jedoch nicht die räumliche Granularität und kontextbezogenen Details, die erforderlich sind, um Schäden vor Ort auf der Ebene einzelner Gebäude zuverlässig abzubilden. In diesem Beitrag stellen wir eine auf Deep Learning basierende Pipeline zur Schadensbewertung vor, welche die Extraktion von Schadensinformationen aus terrestrischen Bildern strukturiert und automatisiert. Sie soll mit anderen Sensordaten, wie beispielsweise Satellitenbildern, kompatibel sein, sodass später durch die Erweiterung auf multimodale Eingaben eine umfassendere Lösung für die automatisierte Ableitung robuster räumlich-zeitlicher Beweise für Zerstörungen entwickelt werden kann. Im Kern kombiniert die Pipeline einen YOLOv8-basierten Objektdetektor mit dem Segment Anything Model (SAM) zur automa­tischen Extraktion von betroffenen Strukturen aus terrestrischen Bildern und deren Kategorisierung als beschädigte Wände, beschädigte Fenster und Trümmer. Zur Reduktion der Hintergrunddominanz setzten wir eine patchbasierte Datenverarbeitungsstrategie ein. Wir haben die vortrainierten Modelle mit einem manuell annotierten Datensatz aus 380 Bildern fein abgestimmt. Die zweistufige Architektur erkennt und klassifiziert zunächst beschädigte Bereiche und führt anschließend eine Segmentierung auf Pixelebene durch, wodurch eine genaue Lokalisierung struktureller Schäden ermöglicht wird. In unserer Studie erreichten wir eine mittlere durchschnittliche Präzision (mAP) von 0,65 für die Objekterkennung und einen Dice-Koeffizienten von 0,91 für die Segmentierung. Dies zeigt, dass die vorgeschlagene Pipeline ein nützlicher erster Schritt zur Unterstützung der räumlichen Schadensbewertung und Wiederherstel­lungsplanung durch die automatisierte Bereitstellung quantitativer und qualitativer Informationen ist. Trotz der vielversprechenden Ergebnisse ist die aktuelle Implementierung durch die vergleichsweise geringe Bildanzahl eingeschränkt. Weitere Forschung ist erforderlich, um die Pipeline zu einer Lösung mit hoher Generalisierungsfähigkeit weiterzuentwickeln, die sich gut auf unbekannte Umgebungen übertragen lässt und die relevanten Informationen in Formaten und mit einer Semantik extrahiert, die mit den Anforde­rungen und rechtlichen Auflagen der öffentlichen Verwaltung in der Ukraine oder anderer spezifischer Interessengruppen kompatibel sind.