Die Bestimmung der durchschnittlichen Korngröße ist ein wichtiges Element der Gefügecharakterisierung von metallischen Werkstoffen. In der Regel wird die Korngröße mithilfe des Linienschnitt- und Vergleichsverfahrens bestimmt. Dabei erweisen sich der relativ große Zeitaufwand beim Linienschnittverfahren und die geringe Genauigkeit des Vergleichsverfahrens jedoch als problematisch. In dieser Arbeit wird ein neues Modell vorgeschlagen, mit dem Korngrößen automatisch mithilfe einer Kombination aus herkömmlicher Bildverarbeitung und Deep Learning bestimmt werden können. Zur Bewertung von Aufnahmen unterschiedlicher Qualität wird mit auf Deep Learning basierender semantischer Segmentierung und Bildklassifizierung gearbeitet. Mit dem Modell lassen sich Korngrenzen extrahieren und vervollständigen sowie die Pixelfläche der Körner berechnen. Die Genauigkeit des Modells wurde an metallischen Phasen in reinem Eisen und austenitischem Edelstahl geprüft. Mithilfe des Modells wurden basierend auf realen metallographischen Aufnahmen ISO 643-Korngrößenrichtreihen erstellt.