Ziel dieser Arbeit ist es mit Hilfe von maschinellen Lernmethoden die Möglichkeiten einer digitalen Erfassung von Zustandsmerkmalen von Bundesfernstraßen in Deutschland zu untersuchen. Des Weiteren wird eine Modellidee präsentiert, die es ermöglichen soll, die verschiedenen Datenströme von ZEB-Kampagnen für eine Vielzahl von Aufgaben im Straßenerhaltungsmanagement zu nutzen. Da in der Forschung das Thema einer automatisierten Auswertung von Straßenoberflächenbildern, die aus den Daten der Zustandserfassung und -bewertung (ZEB) stammen, bisher nicht ausführlicher behandelt wurde, werden in dieser Arbeit die Grundlagen dafür geschaffen. Zunächst wurde daher eine Anwendung programmiert, die es ermöglicht, Merkmale auf den Oberflächenbildern der ZEB zu markieren und diese anschließend in einer Datenbank zu sichern. Darauf aufbauend wurden mit Hilfe dieser Daten verschiedene Convolutional Neural Networks entwickelt. Es hat sich gezeigt, dass vor allem Straßenmerkmale, die sehr ähnlich sind, wie zum Beispiel vergossene Risse und Flickstellen, auf Bildern der Größe 128x128 Pixel nicht gut klassifiziert werden können. Aus diesem Grund wurde in dieser Arbeit untersucht, inwieweit eine Kombination verschiedener Netzwerke mit unterschiedlichen Inputs zu einer Verbesserung der Ergebnisse führt. Deshalb wurde ein weiteres Netzwerk entwickelt, dessen Input einen größeren Bereich der Straßenoberfläche abbildet. Dabei wurde festgestellt, dass dieses Vorgehen zu einer leichten Ergebnisverbesserung führt. Es muss jedoch in weiteren Arbeiten und Projekten überprüft werden, inwieweit es andere Möglichkeiten gibt, eine Erkennung von Straßenmerkmalen zu verbessern. Zudem hat diese Arbeit gezeigt, dass aufgrund der starken Diversität von Straßenoberflächen ein deutlich größerer Datensatz benötigt wird.