Im Zuge dieser Masterarbeit wird erstmals versucht geologische, petrophysikalische und geologische Parameter aus Daten von Drohnenaufnahmen abzuleiten, zu analysieren und interpretieren. Allerdings stehen dabei nicht die Entwicklung der Artificial Intelligence (AI) - Architekturen im Vordergrund, sondern die Beschaffung von Kenngrößen aus Gesteinsproben sowie Generierung und Aufbereitung der Daten zum Training dieser Algorithmen. Zunächst wird im ersten Kapitel die Aufgabenstellung dieser Arbeit näher erläutert und eine Einführung in das hier vorliegende bzw. zu bearbeitende Projekt gegeben. Anschließend folgt ein Überblick über den bis dato bestehenden Wissens- bzw. Forschungsstand hinsichtlich des Einsatzgebiets von Drohnen im geotechnischen Bereich sowie in der Berg- und Tunnelbaubranche. Kapitel drei befasst sich ausschließlich mit der Methodik der Datengewinnung, beginnend mit einer kurzen Vorstellung des Projektgebietes, der Beschreibung des geologischen Bestandes inklusive der Präsentation unterschiedlicher geotechnischer Ansätze zur Klassifizierung von Gebirgen im Feld (u. a. ¿Scanline-Mapping¿). Ferner werden auf den Ablauf der Probenentnahme sowie die nachfolgende Probenvorbereitung und Untersuchungen im Labor eingegangen. Zusätzlich werden in diesem Abschnitt die Basics zu Unmanned Aerial Vehicles (UAV) alias Drohnen sowie die Grundlagen zur Planung der Flüge unter Berücksichtigung der örtlichen Gegebenheiten und vorherrschender Rahmenbedingungen behandelt. Der vierte Hauptpunkt widmet sich der Aufbereitung der durch die Befliegung gesammelten Drohnendaten. Alle Prozessschritte, von den gewonnenen Rohdaten bis hin zu den fertigen 3D Punktwolken, werden einzeln, nach Software gegliedert, erklärt und beschrieben. Das abschließende fünfte Kapitel, ¿Interpretationen¿, setzt sich zu Beginn mit der Auswertung der Labordaten auseinander. Durch die Gegenüberstellung und den Vergleich von ausgewählten Plots bzw. Diagrammen sollen Trends identifiziert sowie Übereinstimmungen zwischen Probenparametern und Literaturwerten gefunden werden. Im Anschluss wird die Thematik der felsmechanischen Klassifizierungssysteme (z. B. Geological Strength Index - GSI) nochmals aufgegriffen sowie deren Einflüsse in Bezug auf die gegebenen Projektbereiche beurteilt. Nach der Aufbereitung und Analyse der Labordaten widmen sich die folgenden Unterpunkte den zu testenden bzw. trainierenden AI-Algorithmen. Vorbereitend auf die Interpretation der segmentierten 3D Punktwolken wird der Aufbau des angewandten Künstlichen Intelligenz (KI) - Workflows sowie die Schaffung der Trainings- und Verifikationsdaten erörtert. Zum Schluss dieses Kapitels erfolgt ein Vergleich aller an den 3D-Modellen durchgeführten Segmentierungsvarianten (nach RGB und / oder Normalvektoren) mit anschließender Bewertung anhand einer Eigenschaften-Matrix. Als Abschluss dieser Arbeit werden die wesentlichen Ergebnisse und Schlussfolgerungen nochmals zusammengefasst und ein Ausblick sowie Denkanstöße für zukünftige Projekte in diesem Fachgebiet angeführt.