In der Grundlagenforschung werden Methoden zur Bild-, Bildfolgen-, und Spektraldatenanalyse entwickelt, die auch Mustererkennung und maschinelles Lernen einbeziehen. Die Herausforderung ist hierbei die selbstadaptive automatische Analyse mit daten- und wissensbasierten Modellen. Eine Anwendung ist die Analyse von Materialien verschiedenster Arten dar, bisher insbesondere metallische Werkstoffe und biomedizinische Proben. Im Bereich metallischer Werkstoffe geht es z.B. um Qualitätsbeurteilung stranggegossener Stähle durch bildbasierte und spektroskopische Analyse der Dichte- und Formverteilung von nicht-metallischen Einschlüssen. Ein anderer Ansatz ist die Erfassung von Materialzusammensetzung und -eigenschaften anhand von Laser-marked Matrix-Codes auf den Komponenten zur Identifikation von Belastbarkeit oder Recylingfähigkeit. Im Bereich der biomedizinischen Materialien geht es z.B. um Segmentierung von Weichgewebe (innere Organe) und  Hartgewebe (z.B. Knochen), die Erkennung von Tribologie bei Gelenken, also um die Analyse der Grenzflächen von zueinander beweglichen Materialien, die Analyse der Vitalität von Blutgefäßen, z.B. Arteriosklerose, Aneurysmen, Dissektion (Einrisse) der Aorta, somit also um innere Struktur und pathologischen Zustand eines Komposits weicher Materialien oder die Überwachung von Heilungsprozessen und somit also um die Charakterisierung des Prozesses der Selbststrukturierung eines weichen Materials. Diese Ansätze lassen sich auf weitere Materialklassen ausweiten.

In der Grundlagenforschung werden Methoden zur Bild-, Bildfolgen-, und Spektraldatenanalyse entwickelt, die auch Mustererkennung und maschinelles Lernen einbeziehen. Die Herausforderung ist hierbei die selbstadaptive automatische Analyse mit daten- und wissensbasierten Modellen.  Ein Anwendungsbereich betrifft etwa die Qualitätsbeurteilung von gegossenem Stahl durch bildbasierte und spektroskopische Analyse der Dichte- und Formverteilung der nicht-metallischen Einschlüsse. In einem weiteren Anwendungsbereich geht es um Bild- und Bildfolgenanalyse in der Medizintechnik, z.B. Segmentierung von Weichgewebe (innere Organe) und  Hartgewebe (z.B. Knochen), Erkennung von Tribologie bei Gelenken, Analyse der Grenzflächen von zueinander beweglichen Komponenten, Analyse der Vitalität von Blutgefäßen. Die Bildfolgenanalyse kommt auch in Komponenten für Fahrerassistenzsysteme zum Einsatz,  und somit in einem Outdoor-Bereich, z.B.  für Spurhaltung und Time-to-Collision Schätzung.  Beim maschinellen Lernen spielt insbesondere die Integration von Offline- und Online-Lernen eine wichtige Rolle. Wichtige Anwendungsbereiche sind das Lernen von kompetentem Roboterverhalten und das Lernen der Funktion von Gegenständen.