Fertigungsprozesse können durch die frühzeitige Erkennung von Anomalien mithilfe von Deep Learning Methoden verbessert werden. Diese Methoden erfordern große Datenmengen, die in der Praxis oft nicht verfügbar sind. Die geringe Anzahl von Vorkommnissen und die daraus resultierende geringe Datenmenge, sowie die große Vielfalt an Prozessanomalien bei Fertigungsprozessen in modernen Produktionsanlagen, stellen eine Herausforderung für herkömmliche Deep Learning Verfahren dar. Die großen Datenmengen, die für die Konstruktion neuronaler Netze benötigt werden, erfordern hohe Ansprüche an die Qualität und Quantität des Daten Labelings, was zu hohen Kosten führt. Abhilfe verspricht der Bereich des Few-Shot Learnings, der sich mit dem Entwurf leistungsfähiger neuronaler Netze mit begrenzten Datensätzen beschäftigt. Ziel der Arbeit ist es, das Wissen aus Computer-Vision-Methoden auf die neue Anwendungsdomäne der verrauschten Industriedaten zu übertragen und ein effizientes Labellingsystem mit fortschrittlichen Deep-Learning Few-Shot Klassifikationsmethoden für Zeitreihendaten aus der Produktion zu untersuchen. Die wichtigsten Ergebnisse dieser Arbeit sind die folgenden: Das Prototypical Network(PN), das die euklidische Distanz verwendet, erreicht bei der Verifizierungsaufgabe einen F1-Score von 93,92 %, wenn es auf der Grundlage von 70 guten und 21 schlechten Proben (Datensatz 1) trainiert wurde, und einen F1-Score von 80,01 % mit 17 guten und 6 schlechten Proben (Datensatz 3). Das Matching Network(MN) erreichte einen F1-Score von 87,34 % und 71,81 %. Durch die Implementierung der Cosinus-Distanz erreicht PN einen F1-Score von 95,21 % und MN einen F1-Score von 91,46 % mit Datensatz 1 (Tabelle 4.2). Das Skalarprodukt erreicht eine F1-Leistung von 93,51 % für PN und 88,70 % für MN. Die Anzahl der Shots für das Support Set sollte etwa 5 bis 7 Schüsse mit einem F1-Score von 93,92 % und 94,82 % betragen. Für die Unterstützungsmenge (Support Set) und die Abfragemenge (Query Set) mit einem F1- Score von 92,92 % sind 3 Shots nicht ausreichend. Few-Shot Learning kann den Bedarf an Trainingsdaten erheblich reduzieren. Die angewendeten Methoden liefern für die untersuchten Datensätze sehr gute Ergebnisse.