Soft-Computing basierende Regler beinhalten Algorithmen, die im Bereich des Maschinellen Lernens einzuordnen sind. Diese Regler sind in der Lage eine geeignete Steuerungsstrategie durch direkte Interaktion mit einer dynamischen Regelstrecke zu entwerfen. Sowohl klassische als auch moderne Reglerentwurfsmethoden hangen von der Genauigkeit des verwendeten dynamischen Systemmodells ab, was insbesondere bei steigender Komplexitat des Systems und auftretenden Modellunsicherheiten nicht mehr uneingeschrankt gewahrleistet werden kann. Die Ziele von Soft- Computing basierenden Reglern sind die Verbesserung der Gute des Regelverhaltens und eine geeignete Anpassung der Regler ohne eine mathematische Modellbildung auf Grundlage von physikalischen Gesetzen. Im Rahmen dieser Arbeit werden funf Algorithmen zur Modellbildung und Regelung dynamischer Systeme untersucht, welche auf dem Mehrschichten-Perzeptron-Netzwerk (Multi-Layer Perceptron network, MLP), auf der Methode der Support Vector Machine (SVM), der Gau-Prozesse, der radialen Basisfunktionen (Radial Basis Functions, RBF) sowie der Fuzzy-Inferenz-Systeme basieren. Im Anschluss an die Darstellung der zugrunde liegenden mathematischen Zusammenhange dieser Methoden sowie deren Hauptanwendungsfelder im Bereich der Modellbildung und Regelung dynamischer Systeme wird eine systematische Evaluierung der funf Methoden diskutiert. Anhand der Verwendung quantitativer Gutekennziern werden diese Methoden fur die Verwendung in der Modellbildung und Regelung dynamischer Systeme vergleichbar gegenubergestellt. Basierend auf den Ergebnissen der Evaluierung wird der SVM-basierte Algorithmus als Kernalgorithmus des Soft-Computing basierenden Reglers verwendet. Der vorgestellte Regler besteht aus zwei Hauptteilen, wobei der erste Teil aus einer Modellfunktion der dynamischen Regelstrecke und einem SVM-basierten Beobachter besteht, und der zweite Teil basierend auf dem Systemmodell eine geeignete Regelstrategie generiert. Die Verikation des SVM-basierten Regleralgorithmus erfolgt anhand eines FEM-Modells eines dynamischen elastischen Balken bzw. einseitig eingespannten elastischen Balkens. Dieses Modell kann z. B. als Ersatzmodell fur das mechanische Verhalten eines exiblen Roboterarms oder einer Flugzeugtrag ache verwendet werden. Der Hauptteil der Modellfunktion besteht aus einem automatischen Systemidentikationsalgorithmus, der auch die Integration eines systematischen Modellbildungsansatzes fur dynamische Systeme ermoglicht.Die Ergebnisse des SVM-basierten Beobachter zeigen ahnliches Verhalten zum Kalman- Bucy Beobachter. Auch die Sensitivitatsanalyse der Parameter zeigt eine bessere Gute der SVM-basierten Beobachter im Vergleich mit den Kalman-Bucy Beobachtern. Im Anschluss wird der SVM-basierte Regler zur Schwingungsregelung des Kragtragers verwendet. Hierbei werden vergleichbare Ergebnisse zum LQR-Regler erzielt. Eine experimentelle Validierung des SVM basierten Reglers erfolgt an Versuchsst anden eines elastischen Biegebalkens sowie eines invertierten Biegebalkens. Die Zustandsbeobachtung fuhrt zu vergleichbaren Ergebnissen verglichen mit einem Kalman-Bucy Beobachter. Auch die Modellbildung des elastischen Balkens fuhrt zu guten Ubereinstimmungen. Die Regelgute des Soft-Computing basierenden Reglers wurde am Versuchsstand des invertierten Biegebalkens experimentell erprobt. Es wird deutlich, dass Ergebnisse im Rahmen der erforderlichen Vorgaben erzielt werden konnen.