Die automatisierte Rasterelektronenmikroskopie mit energiedispersiver Röntgenspektroskopie (REM/EDX) ist eine etablierte Methode zur Analyse von nichtmetallischen Einschlüssen (NME), die sowohl in der Forschung als auch in der Industrie Einsatz findet. Obwohl diese Methode eine detaillierte Auswertung von NME ermöglicht, ist der entscheidende Nachteil der Zeit- und Arbeitsaufwand, der für eine Probe bis zu mehreren Stunden in Anspruch nehmen kann. Methoden des maschinellen Lernens, die Daten sehr schnell verarbeiten, bieten eine interessante Alternative für die Charakterisierung von Einschlüssen. Die vorliegende Arbeit befasst sich mit der zeit- und energieeffizienten Klassifizierung von nichtmetallischen Einschlüssen, die durch das Training von Algorithmen des maschinellen Lernens mit Bilddaten von der automatisieren REM/EDX Analyse durchgeführt wurde. Für das Training und für die Evaluierung der Algorithmen kamen verschiedene Features, extrahiert von Rückstreuelektronenbildern ausgehend von sieben unterschiedlichen Stählen, zur Anwendung. Die Methoden des maschinellen Lernens aus den Python Bibliotheken scikit-learn und PyTorch wurden verwendet. Die höchste Trefferquote von 73,1 % erreichte das Random Forest Klassifikationsverfahren durch Training mit den Grauwerten der Bildpixel. Neuronale Netze konnten nicht auf diesem Niveau klassifizieren. Die verwendete Featureart, der Algorithmus und die geometrischen Abmessungen von NME hatten einen signifikanten Einfluss auf die Performance bei der Klassifizierung. Für weiterführende Studien müssen Parameter wie die Einteilungskriterien der NME bei der Datenvorverarbeitung, als auch Helligkeits- und Kontrasteinstellungen bei der automatisierten REM/EDX Analyse miteinbezogen werden, um die Trefferquote weiter zu verbessern.