Extremwetter stellt für das autonome Fahren eine unverkennbare Herausforderung dar. Das Erkennen des Wetters erlaubt es, das Fahrverhalten entsprechend der Wetterbedingung automatisch anzupassen. Im Rahmen dieser Arbeit wurden verschiedene Convolutional Neural Networks zur Klassifizierung des Wetters auf Verkehrsbildern unter unterschiedlichen Trainingsumständen auf dem umfangreichen BDD100K-Datensatz trainiert und evaluiert. Als wesentlich für die Übertragbarkeit der Vorhersagefähigkeiten auf die Bilder des autonomen Fahrzeuges der Freien Universität Berlin, stellte sich dabei der Einsatz von Label Smoothing heraus. Die Evaluation zeigt, dass das System besondere Schwierigkeiten bei Bildern mit leichtem Regen und einer geringen Spiegelung auf der Straße hat und zu Fehlklassifikationen bei Tunnel-Bildern neigt. Die Vorhersagefähigkeit des Systems wird durch den Einsatz eines exponentiell gleitenden Durchschnitts gesteigert und weitere Verbesserungsvorschläge für zukünftige Arbeiten wurden gemacht.