Das Thema dieser Arbeit ist ein kognitives Stabilisierungsverfahren, das basierend auf einem kognitionsbasierten Framework ein adaptives diskretes Regelungsverfahren darstellt. Ziel des kognitiven Stabilisierungsverfahrens ist es, eine spezifische Klasse von unbekannten, nichtlinearen, Mehrgrößensystemen autonom zu stabilisieren. Das kognitive Stabilisierungsverfahren ist in der Lage, relevante lokale Informationen über das unbekannte System zu erlangen. Es kann autonom geeignete Steuergrößen definieren, um das System zu stabilisieren. Die Entwicklung von verschiedenen adaptiven, datenbasierten und modellfreien Reglern zeigte bereits die Tendenz der Erforschung von Regelungsmethoden mit hoher Autonomie. Der Begriff Autonomie wird hier verwendet, um die Tatsache zu beschreiben, dass das Regelungsverfahren bzw. die dazugehörige Programmierung so durchgeführt wird, dass der zugehörige Algorithmus den Rückführungsentwurf autonom ohne Einwirkungen von außerhalb des Algorithmus festlegen kann. Typische Methoden, die von dieser Definition beeinflusst werden sind die adaptive Regelungsmethode, die datenbasierte Regelungsmethode oder die modellfreie Regelungsmethode, deren Stand der Forschung in dieser Arbeit zusammengefasst wird. Der Hauptfokus liegt dabei auf der Autonomie der realisierten Verfahren. Es kann gezeigt werden, dass die existierenden Methoden immer noch einige offene Probleme aufweisen, um eine hohe autonome Regelung zu erreichen. Um diese offenen Probleme weiterzuentwickeln, kann ein Framework in den Ingenieurskontext eingeführt werden, das den Modellierungsverfahren bezüglich der menschlichen Kognitionsprozesse [Cac98] ähnelt und als kognitives Framework bezeichnet werden kann. Da Stabilisierungsaufgaben die elementarsten Regelungsaufgaben sind, wird in dieser Arbeit ein kognitionsbasiertes Framework zur Stabilisierung entwickelt. Zunächst wird angenommen, dass das mathematische Modell des zu regelnden Systems unbekannt, vollständig steuerbar und der Zustandsvektor messbar ist. Der kognitive Stabilisierungsregler wird basierend auf dem kognitiven System durch seine vier Hauptmodule realisiert: (1) ”Wahrnehmung und Interpretation“ durch einen Systemidentifikator zur Echtzeit-Identifikation der lokalen Systemdynamik und Mehr-Schritt-Vorhersage; (2) ”Expertenwissen“ bezogen auf das Stabilitätskriterium um die Stabilität der betrachteten Bewegung des geregelten Systems zu garantieren; (3) ”Planung“ um eine geeignete Eingangsgrößensequenz nach bestimmten Gütefunktionen zu erzeugen; (4) ”Ausführung“ um die optimalen Steuergrößen in eine entsprechende Rückführungsform zu generieren. Jedes Modul kann durch verschiedene Methoden realisiert werden. In dieser Arbeit wird das Modul ”Wahrnehmung und Interpretation“ durch neuronale Netzwerke, Gauß-Prozess-Regression oder einen kombinierten Identifikator umgesetzt. Das Modul ”Expertenwissen“ besteht aus dem datenbasierten quadratischen Stabilitätskriterium, dem quadratischen Lyapunov Stabilitätskriterium mit einer bestimmten Lyapunov-Funktion und dem gleichmäßigen Stabilitätskriterium. Die Module ”Planung“ und ”Ausführung“ werden zusammen durch das inverse Modell mit dem vollständigen ”Grid-Search“-Verfahren oder direkter Steuergrößenoptimierung realisiert. Die gesamte kognitive Stabilisierungsmethode wird durch die autonome Kommunikation zwischen jedem Modul realisiert. Die kognitive Stabilisierungsmethode wird in dieser Arbeit durch numerische Beispiele oder experimentelle Ergebnisse getestet. Zwei Simulationsbeispiele (Pendel-System sowie Lorenz-System) werden betrachtet. Beide sind Benchmarkbeispiele für den nichtlinearen dynamischen Regelungsentwurf. Die kognitive Stabilisierungsmethode wird experimentell auf das Drei-Tank-System angewendet und die entsprechenden Ergebnisse werden bewertet. Die numerischen Beispiele sowie die experimentelle Umsetzung zeigen die erfolgreiche Anwendung des dargestellten Verfahrens.