Die Eindringprüfung ist eine vielseitige Methode, um die Härte verschiedener Werkstoffe zusammen mit ihren elastischen Eigenschaften zu ermitteln. In jüngster Zeit wurden leistungsfähige Ansätze entwickelt, um weitere Materialeigenschaften wie Streckgrenze, Zugfestigkeit, Kaltverfestigungsrate und sogar zyklische plastische Eigenschaften durch eine Kombination von Eindringprüfung und Computersimulation zu bestimmen. Der Grundgedanke dieser Ansätze besteht darin, den Eindruck mit den bekannten Prozessparametern zu simulieren und die ursprünglich unbekannten Materialeigenschaften iterativ zu optimieren, bis ein Minimum des Fehlers zwischen numerischen und experimentellen Ergebnissen erreicht ist. Diese inversen Methoden haben sich inzwischen zu einem recht weitverbreiteten Verfahren entwickelt. Allerdings erfordert die wiederholte Finite-Elemente-Simulation des Eindringprozesses mit verschiedenen Kombinationen von Materialparametern für jeden inverse Parameterbestimmung einen sehr hohen numerischen Aufwand und schränkt die Wahl des Optimierungsverfahrens stark ein. In dieser Arbeit wird zunächst ein Simulationsmodell für eine instrumentierte Härteprüfung validiert, indem gemessene Last-Verschiebungskurven und Oberflächenprofile von Eindrücken mit einem kugelförmigen Eindringkörper von 30 µm Radius mit den entsprechenden Kurven aus den Simulationen vergleichen. Mit Hilfe dieses Modells wird dann ein großer Datensatz von numerisch generierten Last-Eindringkurven und Oberflächenprofilen erzeugt. Diese Daten bilden die Basis zum Training eines numerisch sehr effizienten Ersatzmodells für die Finite-Elemente-Simulation des Eindringvorgangs mit verschiedenen Materialparametern. Der Vorteil des Ersatzmodells auf Basis eines künstlichen neuronalen Netzwerks besteht darin, dass der Trainingsaufwand nur einmalig anfällt und der maschinelle Lernalgorithmus dann zur Ausführung der inversen Methoden für verschiedene Materialien verwendet werden kann, deren Eigenschaften jedoch innerhalb des Bereichs der Trainingsparameter liegen müssen. Durch die numerische Effizienz dieses Ansatzes können auch leistungsstarke Optimierungsverfahren herangezogen werden, die eine recht große Zahl von Iterationen benötigen, aber robustere Ergebnisse liefern als die direkte inverse Methode basierend auf Finite-Elemente-Simulationen. Mit dieser Kombination aus Experiment, Computersimulation und maschinellem Lernen gelingt somit eine signifikante Verbesserung der inversen Materialparameterbestimmung basierend auf Indentationsmessungen.