Die Extraktion von Störungen in einem 3D-seismischen Volumen erfolgt auf unterschiedliche Weisen und dieser Schritt ist einer der wichtigsten Schritte bei der seismischen Interpretation. Jede Methode hat Vor- und Nachteile. Einige Methoden sind Standardansätze und andere sind neuere Technologien. Um die verschiedenen Methoden besser zu verstehen und zu verifizieren, wurde eine Masterarbeit gefertigt. In dieser Arbeit wurden vier verschiedene Methoden zur Erkennung von Störungen getestet: Manuelle Störungsinterpretation, der Ant-Tracking-Workflow, die Grauwertematrix (GLCM) und die Fuzzy-K-Means-Clustering Methode. Die Analyse wurde an einem Ausschnitt der Kerry 3D-Seismik der Kupe Region (Taranaki-Becken, Offshore-West-Neuseeland) durchgeführt. Die Prüfung der vier Störungsdetektionsmethoden konzentriert sich auf den Vergleich der Methodik, der daraus resultierenden Störungen und ihrer Eigenschaften, die Einflüsse auf die Ergebnisse, Verbesserungen bei der Störungsdetektion und Vorschläge für die richtige Methodenauswahl. Angesichts der Schwierigkeiten bei der Störungsextraktion in der Tangahoe-Formation, die durch schwache und diskontinuierliche seismische Reflexionen gekennzeichnet ist, konnte das Fuzzy-K-Means-Clustering Störungen im Wesentlichen von anderen seismischen Fazies unterscheiden. Ant-Tracking, sowie GLCM hatten teils große Schwierigkeiten damit. Zusätzlich hat Ant-Tracking Störungen inkorrekt extrahiert, wenn sie zu nahe beieinander sind oder sich kreuzen. Durch Kognition war die manuelle Störungsinterpretation in der Tangahoe-Formation erleichtert, hat sich jedoch hinsichtlich der Bearbeitungszeit als ineffektiv erwiesen. Somit ist die manuelle Störungsinterpretation effizient, wenn der Faktor Zeit von untergeordneter Bedeutung ist. Ant-Tracking und GLCM sind exzellente Quick-Look-Methoden. Es sollte jedoch Vorsicht getroffen werden, bevor man sich auf die automatisch extrahierten Störungen des Ant-Tracking-Workflows verlässt, da häufig inkorrekte Störungspfade verfolgt werden. Im Allgemeinen hat sich das Fuzzy-K-Means-Clustering als die effektivste und detaillierteste Methode zur Erkennung von Bruchzonen erwiesen und könnte in Zukunft zur Automatisierung des Störungsextraktionsprozesses von Nutzen sein.