Das zunehmende Aussterben des VHS- und SVHS-Systems sowie weiterer magnetbandbasierter Videosysteme zwingt lokale sächsische Fernsehsender zu einer raschen Digitalisierung großer Mengen analoger Videobänder. Die darauf befindlichen Aufnahmen stellen wichtige Zeitzeugnisse aus der Wendezeit dar und dokumentieren die Herausforderungen, welchen sich die ostdeutschen Bürger nach dem Wechsel von einem sozialistischen zu einem marktwirtschaftlichen System gegenüber sahen. Oftmals ist diese Massendigitalisierung nur von einer generellen Sicherung ohne optimierende Maßnahmen geprägt, sodass qualitative Mängel erst nach der Digitalisierung aufwändig manuell retuschiert werden können. Hierzu ist zunächst ein Überblick über qualitativ gute und schlechte Sequenzen wünschenswert. Bislang existieren jedoch keine Verfahren für eine automatisierte Qualitätsanalyse von Digitalisaten analoger Archivbestände. An dieser Stelle setzt der in der vorliegenden Arbeit vorgestellte Ansatz für eine automatisierte Erkennung und Klassifikation von Störerscheinungen an. Anhand einer extensiven Literaturrecherche und Materialanalyse werden mögliche Störquellen und Störerscheinungen theoretisch identifiziert und systematisiert. Dabei wird die vage, t.w. überlappende und z.T. auch widersprüchliche Terminologie von über 800 Begrifflichkeiten eingeordnet und neu definiert. Die Erkenntnisse werden durch Tabellen und Abbildungen ergänzt, sodass eine bisher nicht existente Übersicht über die diskutierten Phänomene präsentiert werden kann. Zudem wird ein Vorschlag für ein geeignetes Verfahren für deren automatisierte Detektion und Darstellung evaluiert. Die vorgestellte Methode wird mit Hilfe der im Deep Learning üblichen CNN umgesetzt und beinhaltet die Generierung von Datensätzen, das Training des Systems sowie die Klassifikation der zuvor systematisierten Phänomene. Zusätzlich wird eine nutzerfreundliche Darstellung präsentiert, welche es erlaubt, brauchbares und unbrauchbares Videomaterial ohne vertiefte Kenntnisse über Störerscheinungen oder Künstliche Neuronale Netze und ohne Zeitaufwand auf einen Blick zu unterscheiden und semantische Strukturen zu erkennen. Die vorgestellte Methode arbeitet ressourcenschonend und stellt eine Zeit-, Personal- und Kostenersparnis für den Anwender dar. Darüber hinaus lässt sich die Methode auf andere Videoformate adaptieren und auf große Datenbestände erweitern. / Due to the imminent disappearance of magnetic tape-based video systems like VHS and SVHS, local Saxon television stations are forced to digitize large amounts of analog video tapes. The captured scenes provide an insight into the era of German reunification and they document challenges which East German citizens had to face in the transfer from a centrally-planned economy to a free market system. Often, this mass digitization has the purpose as a general 'backup' without any optimization procedures. Qualitative deficiencies of the material must then be reviewed manually in a time-consuming process after the digitization. An overview of high- and low-quality sequences can help to speed up this practice. So far, no methods for an automated quality analysis of digitized archives transferred from analog sources exists.This dissertation presents an approach for classification and automated detection of visual distortions in digitized analog video material. Possible sources of interference and visual distortion were identified and systematized through extensive research of available literature and material analysis. The vague, partially overlapping and even contradictory terminology of over 800 terms was classified and redefined. The findings have then been supplemented by tables and figures to create a new overview of the discussed phenomena, which has not been available beforehand. Furthermore, a proposal for a suitable method for their automated detection and visualization is being evaluated. The presented method was implemented with the help of a deep convolutional neural network and includes the generation of datasets, the training of the system and the classification of the previously systematized phenomena. Additionally, a user-friendly visualization is proposed, which allows to distinguish between useful and unusable video material as well as recognizing semantic structures without an in-depth knowledge of technical or visual disturbances or artificial neural networks. The presented method is resource-efficient and can be adapted to other video formats and expanded to large datasets.