La conflagración es el principal problema de seguridad de los vehículos eléctricos (EV). Debido a su apariencia y estructura bien conservadas, que muestran cambios visuales destacados después de la combustión, los cuerpos de los EV son reconocidos como una base importante para la inspección in situ de los EV quemados y permiten la aplicación de la segmentación semántica. La combinación de la segmentación semántica basada en el aprendizaje profundo y el reconocimiento de rastros visuales de EV quemados proporcionaría resultados analíticos preliminares de las tendencias de propagación del fuego y descripciones del estado de salida de los EV quemados para una investigación adicional. En este documento, se construyó un conjunto de datos de rastros de imágenes de EV quemados y se propuso una estructura de red de dos ramas que divide la tarea en dos subtareas concentradas respectivamente en la extracción del primer plano y la segmentación de la gravedad. La red propuesta se entrenó en el conjunto de datos mediante el método de transferencia de aprendizaje y se probó utilizando una validación cruzada de 5 pliegues. La rama de extracción del primer plano logró una intersección media sobre unión (mIoU) del 95.16% en la tarea de extracción del primer plano de EV quemados, y la rama de gravedad quemada logró un mIoU del 66.96% para la tarea de segmentación de gravedad. Al entrenar conjuntamente dos ramas y aplicar una máscara de primer plano a la salida de gravedad de 3 clases, el mIoU se mejoró a 68.92%.