Die klassische Charakterisierung von fraktographischen Oberflächen erfordert das Auswerten von Bruchflächenmerkmalen durch Experten. Die so erhaltenen Bewertungen unterliegen derweil menschlichen Einflussfaktoren, wie Subjektivität und mangelnder Reproduzierbarkeit. Machine Learning (ML), das sich in den letzten Jahren in der Materialwissenschaft in verschiedenen Bereichen etabliert hat, verspricht in diesem Zusammenhang hingegen eine objektivere und reproduzierbare Bewertung. In der vorliegenden Arbeit wird ML zur Bewertung von Bruchflächen von Kerbschlagproben anhand von Digitalkameraaufnahmen erprobt. Als Datenbasis dienen Bildausschnitte der zwei Referenzbereiche Hochlage (duktil) und Tieflage (spröde). Mittels unüberwachtem ML werden die Daten zunächst visualisiert und ihre Trennbarkeit nachgewiesen. Darauf aufbauend werden mittels überwachtem ML Modelle zur Unterscheidung spröder und duktiler Brüche trainiert. Diese Modelle finden anschließend Anwendung bei der Bestimmung der duktilen und spröden Anteile in Mischbrüchen. Dabei zeigt sich eine gute Übereinstimmung mit dem im Ringversuch ermittelten Expertenkonsens.