Die vorliegende Arbeit befasst sich mit der Lösung materialwissenschaftlicher Optimierungsfragestellungen entlang der Kette Prozess-Struktur-Eigenschaften, basierend auf maschinellem Lernen. Im Fokus stehen dabei Fragestellungen bezüglich des Designs der Mikrostruktur metallischer Werkstoffe. Hierfür wird in der Arbeit eine Vorgehensweise zur Erzeugung maschineller Lernmodelle basierend auf numerischen Simulationen vorgestellt. Die entwickelte Vorgehensweise wird anhand von drei Anwendungsbeispielen validiert. Die Anwendungsbeispiele behandeln Materialdesignfragestellungen bezüglich der Optimierung der Korngrößenverteilung und der Optimierung der kristallographischen Textur von Blechwerkstoffen für gewünschte makroskopische Materialeigenschaften sowie der Identifikation von Materialmodellparametern für gegebene Fließkurven. Die Ergebnisse der Arbeit bieten einen Mehrwert nicht nur im wissenschaftlichen, sondern auch im technisch-ökonomischen Bereich. Die Anwendung der entwickelten Optimierungsstrategien im Bereich Mikrostrukturdesign eröffnet Möglichkeiten, hochperformante Materialien zu entwerfen und daran angeschlossen eine Grundlage zur Steuerung von Umformprozessen zu legen.