In den letzten Jahren sorgte das Gebiet der Künstlichen Intelligenz (KI), insbesondere durch das Forschungsfeld Maschinelles Lernen (ML), für viel Aufmerksamkeit. Bis zum heutigen Zeitpunkt entwickelte sich ML zu einer Schlüsseltechnologie für moderne KI-Anwendungen weiter, wobei die momentan erfolgreichste und damit auch die populärste Methode das tiefe Lernen (engl. Deep Learning) ist. Hierbei steht der Aufbau der neuronalen Netze im Fokus, sodass mittlerweile eine Vielzahl von Architekturen und Typen für die verschiedensten Probleme existieren. Statt dem Trend des Aufsuchens von immer besseren Architekturen zu folgen, wird in dieser Arbeit ein anderer Ansatz vorgestellt, der sich auf die Vorverarbeitung von Eingangsdaten, d.h. dem Einspeisen von nicht Rohdaten, fokussiert. Es wird aufgezeigt, dass diese neue Methode die Möglichkeit eröffnet, Deep Learning-Modelle zu verwenden, die einen geringeren Rechenaufwand bei gleichzeitiger Steigerung der Klassifikationsgenauigkeit aufweisen. Der zweite Teil der Arbeit beschäftigt sich mit dem unüberwachten Erlernen von interpretierbaren Darstellungen. Interpretierbare Darstellungen sind komprimierte Datenrepräsentationen, die Variablen enthalten, wobei jede Variable einem markanten oder aussagekräftigen Datenattribut entspricht. Somit lassen sich unter anderem mit generativen Modellen Daten erzeugen, die einer bestimmten Klasse zugehörig sind. Hierfür wird ein Kernel-basiertes Lernverfahren eingeführt, das der derzeitigen Methode gegenübergestellt wird. Anschließend wird das Lernverfahren auf eine praxisnahe Applikation adaptiert, um aufzuzeigen, dass das entwickelte Verfahren auch in der Praxis einsetzbar ist. Hierfür wird eine neue Modellarchitektur vorgestellt, die bisherige Resultate deutlich übertrifft.