Deep-Learning-Segmentierung nutzt tief neuronale Netze, insbesondere Faltungsnetze, zur automatischen, pixel- oder voxelgenauen Trennung von Phasen, Poren, Korngrenzen und Defekten in bildgebenden Werkstoffdaten. Sie ermöglicht robuste, reproduzierbare und skalierbare Analyse komplexer Mikrostrukturen aus 2D- und 3D-Datensätzen und bildet eine Grundlage für quantitative, datengetriebene Werkstoffcharakterisierung und -modellierung.