Wärmebrücken sind Schwachstellen von Gebäudehüllen, die zu Energieverlusten, Feuchtigkeitsansammlung und Schimmelpilzbildung im Bauteilmaterial führen können. Zur Erkennung von Wärmebrücken in großen Gebäudebeständen eignen sich Drohnen mit thermografischen Kameras. Da die manuelle Analyse umfangreicher Bilddatensätze sehr zeitaufwendig ist, untersuchen wir Ansätze des Deep Learning zur Automatisierung dieses Prozesses. Hierbei konzentrieren wir uns auf Wärmebrücken an Dächern, die in Panoramabildern von Drohnen aus unserem aktualisierten Datensatz „Thermal Bridges on Building Rooftops (TBBRv2)“ erfasst wurden und 926 Bilder mit insgesamt 6.927 Annotationen umfassen. Die Bilder enthalten RGB-, Wärme- und Höheninformationen. Wir vergleichen state-of-the-art-Modelle mit und ohne Vortraining aus fünf verschiedenen neuronalen Netzarchitekturen: Mask R-CNN R50, Swin-T-Transformer, TridentNet, FSAF sowie eine Mask R-CNN R18-Benchmark. Unsere Ergebnisse zeigen vielversprechende Leistungen, insbesondere für vortrainierte Modelle; der pretrained Swin-T-Transformer erreicht dabei eine durchschnittliche Erinnerung (Average Recall) von über 50 % bei der Erkennung großer Wärmebrücken.