Die vorliegende Masterarbeit gibt einen umfassenden Überblick über mehrschichtige Perzeptronennetzwerke und ausgewählte Lernalgorithmen aus dem Bereich des überwachten Lernens. Dabei werden sowohl gradientenbasierte als auch stochastische Algorithmen wie Simulated Annealing und genetische Algorithmen berücksichtigt und in Bezug auf ihre Konvergenzeigenschaften und Generalisierungsfähigkeit bewertet. Die Arbeit geht u. a. der Frage nach, inwiefern einzelne Lernparameter den Lernprozess beeinflussen und welche Abhängigkeiten unter den Netzwerkkomponenten bestehen. Im praktischen Teil der Arbeit werden an einem konkreten Anwendungsbeispiel die Zusammenhänge zwischen chemischer Zusammensetzung und Gebrauchseigenschaften von Aluminiumlegierungen untersucht. Eine Reihe von Lernalgorithmen wird an Messdaten trainiert und hinsichtlich Konvergenz- sowie Generalisierungsverhalten beurteilt. Den Abschluss bildet die Interpretation der durchaus zufriedenstellenden Ergebnisse.