Situationserkennung ist sowohl ein wichtiger Aspekt der menschlichenWahrnehmung wie auch bei der Überwachung der Entscheidungsfindung eines menschlichen Nutzers (human operator) in ungeplanten, ungenauen und unsicheren Umgebungen. Die Situationserkennung ist ein Prozess zur Identifizierung der aktuellen Situation, die aus Änderungen innerhalb der Umgebung resultiert. Für verschiedene Anwendungen wurden verschiedene Situationserkennungsansätze erfolgreich entwickelt. Die Individualisierung der Situationserkennung wurde in der Literatur bisher wenig beachtet. Der Situationserkennungsprozess konnte für die Unterstützung der menschlichen Nutzer durch das Lernen und Berücksichtigung individueller Verhaltensweisen, Präferenzen und Priorit¨aten verbessert werden. Ereignisdiskrete Situationen, die aus einer Folge von Aktionen resultieren, können individuelle Verhaltensweisen menschlicher Nutzer repräsentieren. In dieser Arbeit werden Repräsentation und Identifizierung von ereignisdiskreten Situationen betrachtet. In dieser Arbeit wird ein neues Framework für eine individualisierte Situationserkennung vorgeschlagen, indem neuartige Wissensrepräsentationen und Schlussfolgerungsansätze angewendet werden. Die wichtigsten Herausforderungen die durch die eingeführten Frameworks für die individualisierte Situationserkennung zu lössen sind, sind die Modellierung und Repr¨asentation von Wissen sowie das Lernen auf neuen, unbekannten Situationen. Diese Herausforderungen können basierend wie folgt angegeben werden: Wie können die ereignisdiskreten Situationen modelliert und in einen Wissensspeicher übertragen werden? Wie kann das gespeicherte Wissen für die weitere Situationserkennung verwendet werden? In dieser Arbeit wird der Case-Based Reasoning (CBR)-Ansatz verwendet, um eine individualisierte Situationserkennung zur Unterstützung menschlicher Nutzer zu realisieren. Der klassische CBR-Ansatz wird um einen neuen Lernprozessansatz erweitert, sodass bekannte Situationen erkannt werden können und neues Wissen aus unbekannten Situationen generiert werden kann. Um die erwähnten Herausforderungen zu bewältigen und die Situationerkennung zu realisieren, wird der klassische CBR-Ansatz um den Situation-Operator Modeling (SOM)-Ansatz und Fuzzy-Logik (FL)-Ansatz erweitert. Der SOM-Ansatz ermöglicht eine wissensorientierte Modellbildung und wird zur strukturierten Beschreibung der Beziehungen der ereignisdiskreten Situationen innerhalb dynamischer Umgebungen verwendet. Der präsentierte SOM-Ansatz wird innerhalb des Lernprozesses dazu verwendet, Sequenzen von Situationen und Aktionen einzelnen Situationsmustern zuzuordnen. Der FL-Ansatz strukturiert das SOM-basierte Wissen für approximate reasoning. Zusätzliche Prozesse werden zur Unterstützung des Onlinelernens, der Datenreduktion, und Wissensindexierung inerhalb des vorschlagenen fuzzy SOM-basierte CBRAnsatzes verwendet. Die Funktionsweise des vorgestellten Frameworks wird am Beispiel der Realisierung einer individualisierten Spurwechsel-Situationserkennung zur Unterstützung menschlicher Fahrer verdeutlicht. Hierbei ist das Ziel, eine passende Fahrsituation zum Spurwechsel zu erkennen. Das Framework wird unter Verwendung von Testdaten evaluiert. Die Datenerfassung erfolgt auf Basis eines Fahrsimulators und unterschiedlicher Testfahrer. Hierauf aufbauend wird der Nachweis einer erfolgreichen Verwendung des vorgestellten Anzatzes zur individualisierten Situationserkennung erbracht. Die Ergebnisse zeigen, dass unter Verweldung des vorgestellten Ansatzes eine erfolgreiche Fahrsituationerkennung realisiert werden kann, im Sinne von Genauigkeit, Erkennungsrate, negativer Alarmrate und Erkennungszeit. Abschliessend wird gezeigt, dass eine Individualisierung die Genauigkeit der Situationserkennung signifikant verbessert werden kann.