Der dominierende Ansatz für die Detektion von Oberflächenfehlern basiert auf handgezeichneten Merkmalsmethoden. Diese zeigen jedoch Schwächen, wenn sich die Bedingungen ändern, die die extrahierten Bilder beeinflussen. In dieser Arbeit untersuchen wir daher, wie gut mehrere aktuelle Convolutional Neural Networks (CNNs) bei der Aufgabe der Oberflächenfehlerdetektion abschneiden. Zudem stellen wir zwei neue Methoden vor: CNN-Fusion, die die Vorhersagen aller Netzwerke zu einer endgültigen Vorhersage zusammenführt, sowie Auto-Classifier, ein neuartiger Ansatz, der ein Convolutional Neural Network durch Anpassung seines Klassifikationskomponenten mittels AutoML verbessert. Wir führen Experimente durch, um die vorgeschlagenen Methoden anhand verschiedener Datensätze aus DAGM2007 für die Aufgabe der Oberflächenfehlerdetektion zu evaluieren. Unsere Ergebnisse zeigen, dass die Verwendung von Convolutional Neural Networks gegenüber herkömmlichen Methoden bessere Leistungen erbringt. Insbesondere erreicht Auto-Classifier bei allen Datensätzen eine Genauigkeit von 100 % und eine AUC von 100 %, wodurch es alle anderen Methoden übertrifft.