In dieser Arbeit wird das Problem der Klassifikation unbalancierter Datenmengen durch überwachte Lernmethoden in der optischen Fehlerdetektion industrieller Produktionsprozesse behandelt. Der praktische Rahmen bildet die Entwicklung eines neuartigen Systems zur Qualitätsprüfung von Laserlötnähten, wobei der Fokus auf der Erkennung sporadisch auftretender, seltener Nahtfehler liegt. Die Seltenheit dieser Daten wirft die Frage auf, wie eine robuste automatische Beurteilung mit nur wenigen dokumentierten Fehlern durch einen zu trainierenden Klassifikator realisiert werden kann. Hierzu werden neuartige Verfahren vorgestellt, die auf der Approximation der Wahrscheinlichkeitsdichtefunktionen der einzelnen Klassen basieren. Es kommen Gaußsche Mischmodelle zum Einsatz, wobei adaptive Modelle für die unterrepräsentierte Klasse entwickelt werden, um auch bei sehr wenigen Datenverteilungen zu modellieren. Die Arbeit präsentiert Verfahren auf Algorithmen- und Klassifikatorebene sowie generative Samplingverfahren, die mit Ensemblelernen kombiniert werden. Die Ergebnisse zeigen, dass diese Verfahren im Vergleich zu etablierten Methoden signifikante Vorteile bei stark unbalancierten Daten aufweisen und selbst bei wenigen Daten der unterrepräsentierten Klasse eine gute Leistung erzielen.
