In vielen Industriezweigen ist Oberflächeninspektion ein wichtiger Bestandteil der Qualitätssicherung. Geringere Kosten sowie objektivere und reproduzierbarere Auswertungen sprechen für automatisierte Umsetzungen. Dies erfordert jedoch auch eine automatisierte Auswertung der erfassten Oberflächenbilder, was abhängig vom Aussehen der Oberfläche eine große Herausforderung darstellen kann. In der vorliegenden Arbeit wurden mit Hilfe eines mehrachsigen Robotersystems Oberflächenbilder von freigeformten Kunststoffbauteilen aufgenommen, die komplexe Muster aufweisen, die sich zudem von Probe zu Probe signifikant unterscheiden. Regelbasierte Ansätze benötigen bei solchen Oberflächenbilder viel Entwicklungsaufwand und können zudem nur selten auf neue oder veränderte Oberflächenbedingungen angewandt werden. Im Gegensatz dazu sind Machine Learning (ML) Methoden viel flexibler und können zudem für Problemstellungen eingesetzt werden, bei denen kein regelbasierter Ansatz möglich erscheint. Eine Voraussetzung ist jedoch das Vorhandensein einer ausreichenden Menge von markierten (gelabelten) Trainingsdaten. Typische Datensätze, auf denen moderne ML-Architekturen trainiert und miteinander verglichen werden, enthalten Tausende bis Millionen manuell markierte Bilder. Hinsichtlich Oberflächeninspektion ist es jedoch notwendig, den Aufwand für die Datenaufbereitung auf ein Minimum zu beschränken. Da ein händisches Einzeichnen von Fehlern in den Trainingsdaten äußerst zeitaufwändig ist, wurden in der vorliegenden Arbeit zwei verschiedene ML-Ansätze entwickelt, die für das Training nur fehlerfreie Daten benötigen. Der erste vorgestellte Ansatz setzt dabei auf synthetische Anomalien, die im Rahmen des Trainings eines Convolutional Neural Network (CNN) zufällig erzeugt und in die extrahierten Bildausschnitte eingefügt werden. Obwohl das Training mit nur fünf fehlerfreien Teilen durchgeführt wurde, erreichte das CNN auf dem Testdatensatz eine Area Under Precision-Recall Curve (AUPRC) von 0.75. Als Vergleich dazu wurde eine bestehende Anomalieerkennungsmethode auf Basis von Generative Adversarial Networks getestet, wobei ein AUPRC von 0.08 erreicht wurde. Der zweite in der vorliegenden Arbeit vorgestellte ML Ansatz basiert auf der Rekonstruktion von fehlerfreien Oberflächenbildern dessen zentraler Bildbereich zuvor entfernt wird. Das dabei eingesetzte CNN lernt dabei den fehlenden zentralen Bildbereich fehlerfrei zu ergänzen. Der resultierende Rekonstruktionsfehler bildet die Grundlage für die Erkennung von Anomalien, wobei ein AUPRC von 0.63 erreicht wurde.