La fase de recuperación tras un evento sísmico es esencial para las áreas urbanas con un número significativo de edificios dañados. Se pueden producir muchos cambios en un paisaje así dentro de las huellas de los edificios, como colapsos totales o parciales, eliminación de escombros y reconstrucción. Los datos y metodologías de teledetección pueden contribuir considerablemente al monitoreo del sitio. El objetivo principal de este artículo es la detección de cambios en el stock de edificios en el asentamiento de Vrissa en la isla de Lesbos durante la fase de recuperación tras el catastrófico terremoto del 12 de junio de 2017, a través del análisis y procesamiento de imágenes de UAV (vehículo aéreo no tripulado) y la aplicación de Redes Neuronales Artificiales (RNA). Más específicamente, se realizó la detección de cambios en el stock de edificios del asentamiento aplicando una RNA sobre las características de textura de la Matriz de Co-ocurrencia de Niveles de Gris (GLCM) de ortofotos adquiridas por UAVs. Para el entrenamiento de la RNA, se definieron una serie de características de textura GLCM como variable independiente, mientras que la existencia o no de cambios estructurales en los edificios se definió como variable dependiente, asignando, respectivamente, los valores 1 o 0 (clasificación binaria). La RNA fue entrenada con base en el algoritmo de Levenberg-Marquardt, y su capacidad para detectar cambios se evaluó en función del estado de los edificios, derivado de la clasificación binaria. En conclusión, los cambios en las características de textura GLCM junto con la RNA pueden proporcionar resultados satisfactorios en la predicción de los cambios estructurales de los edificios con una precisión de casi el 92%.