Die dynamische Korngrößensteuerung in mechanischen Abfallaufbereitungsanlagen ist ein vielversprechender Ansatz zur Optimierung entstehender Outputströme. Hierzu braucht es neben geeigneter Aktorik - wie zum Beispiel die Veränderung der Breite des Schnittspaltes eines Vorzerkleinerers - auch Echtzeitmesstechnik für die Korngrößenverteilung. Zu letzterem soll diese Arbeit einen Beitrag leisten. Hierbei wird ein Ansatz verfolgt, welcher vereinzelte Partikel basierend auf Informationen aus einem zwei dimensionalen Bild in ihre reale Kornklasse gemäß Trommelsieb einstuft. Dazu wurden Proben von zerkleinertem, festem Gewerbemüll über die Siebschnitte 80mm, 60mm, 40mm, 20mm sowie 10mm in definierte Kornklassen zugeordnet. Anschließend wurden die Fraktionen Leichtgut, Metalle, Kunststoffe, Holz, Papier-Pappe-Karton aussortiert, um jede Materialklasse separat betrachten zu können. Über RGB-Kameras wurden Fotos der Einzelpartikel erstellt, wie sie auch bei sensorgestützten Sortierern vorliegen. Diese wurden als Grundlage für die Berechnung von intensiven (zum Beispiel: Rundheit, elliptische Fourier Deskriptoren), als auch extensiven (zum Beispiel: Fläche, Durchmesser, Umfang) Deskriptoren herangezogen. Es wurden sowohl univariate, als auch multivariate Regressionsmethoden eingesetzt, um Zusammenhänge zwischen einzelnen Deskriptoren untereinander bzw. zur jeweiligen Siebklasse zu finden und redundante Informationen innerhalb der Deskriptoren ausfindig zu machen. Letztendlich wurde ein Modell gewählt, welches über Anwendung der multivariaten Regressionsmethode Partial Least Squares Regression innerhalb einer Materialklasse die Kornklasse basierend auf einem Trommelsieb auf Partikelabmessungen aus einer zwei dimensionalen Bilddatei vorhersagt. Im Fall der Holzfraktion konnte dabei zum Beispiel eine Zuordnungssicherheit von über 85% erreicht werden.