虽然在高风险的武装冲突环境中，可能很难在地面上收集信息，但卫星提供了一种非侵入式的概述情况的形式。当涉及到监测城市损害时，这通常与高成本有关，因为必须购买非常高分辨率的图像。同时，有一些卫星的图像只有中等分辨率，但它们以较高的重访频率覆盖世界，并向公众开放其图像。因此，本论文旨在回答这样一个研究问题：是否有可能利用深度学习在中等分辨率的光学卫星图像中自动检测武装冲突的破坏。从语义分割的角度出发，创建了一个伊拉克和叙利亚的参考数据集，其中包括用来自UNOSAT的损害信息按像素标注的Sentinel-2图像。该数据集被用来训练FCN、U-net以及简化的6层ResNet。虽然表现最好的模型在识别较稀疏的损害模式时有困难，但在检测损害集群时表现良好。实验显示了避免失去分辨率的重要性，例如，将步长保持在1。此外，标签对模型的性能有很大的影响，这表明为了避免在地面实况中出现错误的负面标签，最好标记得太多。提出了一种跨学科的方法来创建和维护武装冲突损害的数据库，这可能对武装冲突的空间发展研究有重大影响。纳入不确定性测量和验证的方法对其适用性至关重要。