Bei der Herstellung von Komponenten für die Luft- und Raumfahrtindustrie müssen enge Toleranzen und hohe Qualitätsstandards erreicht und sichergestellt werden. In der Regel erreichen Zerspanwerkzeuge durch einen kontinuierlichen Verschleiß an Span- und Freifläche ihre Standzeitenden. Eine manuelle Bestimmung des Werkzeugverschleißes ist sehr zeitaufwendig und dadurch mit langen Stillstandzeiten der Maschine verbunden. Im Forschungsumfeld ist die Verwendung von Kraftmessplattformen basierend auf dem piezoelektrischen Effekt etabliert. Nachteile dieser Messtechnik sind jedoch die hohen Anschaffungskosten sowie die Beeinflussung der Prozesskinematik. Eine alternative Messgröße zur Beurteilung des Verschleißzustandes des Bohrwerkzeuges ist das im Zerspanprozess emittierte Körperschallsignal. Die Zielsetzung dieser Arbeit besteht in der Analyse des sich anhand Verschleiß zeitlich verändernden Werkzeugzustandes durch Messen von Körperschallsignalen und Auswertung mittels Algorithmen des maschinellen Lernens. Die Forschungsarbeit basiert auf der Hypothese, dass Körperschallsignale mit der Beanspruchung von Bohrwerkzeugen korrelieren und somit eine quantitative Bewertung des sich kontinuierlich verändernden Verschleißzustandes erlauben. Für eine Modellierung des zeitlich verändernden Werkzeugzustandes und eine Auswertung mittels Algorithmen des maschinellen Lernens sind Messsignale, welche von äußeren Umgebungseinflüssen bestmöglich unbeeinflusst sind, von elementarer Bedeutung. Eine wissenschaftliche Vorgehensweise zur Generierung solcher Messdaten adressierte diese Dissertation. Nachfolgend wird erläutert, welche Schritte erforderlich sind, um aus den aufgezeichneten Körperschallsignalen Kennwerte zu extrahieren. Diese Kennwerte werden aus dem Zeitbereich sowie aus dem Frequenzbereich bestimmt und im Hinblick auf Korrelationen zum Freiflächenverschleiß des Bohrwerkzeuges hin untersucht. Abschließend erfolgt eine systematische Analyse unterschiedlicher Algorithmen des Maschinellen Lernens sowie Optimierungsansätze zur Minimierung des Vorhersagefehlers. Die Originalität dieser Dissertation liegt dabei im Versuchsaufbau, welcher die Auswirkung äußerer Einflüsse bestmöglich ausschließt und in der wissenschaftlich strukturellen Vorgehensweise der Analyse der aus dem Körperschallsignal extrahierten Kennwerte sowie der hier vorgestellten Algorithmen des maschinellen Lernens.