Mustererkennung befasst sich traditionell uberwiegend mit numerischen Daten, also mit Vektoren von reellwertigen Merkmalen. Seltenerwird eine symbolische Reprasentation verwendet.Eine spezielle Kategorie der Daten, namlich Symbolketten(Strings), wurde lange Zeit vernachlassigt, teilweise wegen derscheinbar nicht vorhandenen Notwendigkeit und teilweise wegendes damit verbundenen hohen Rechenaufwands. Erst in jungster Zeit, veranlasst durch die Forschung in unterschiedlichen Gebieten, wie Spracherkennung und Bioinformatik, weckten Symbolketten ein hoheres Interesse unter den Forschern im Gebiet der Mustererkennung. Zwei grosse Familien der Mustererkennungsalgorithmen —distanzbasierte und kernelbasierte — konnen auf Symbolkettenangewandt werden, indem man ein Distanzmass (und, in manchen Fallen, einen Mittelwert) oder eine Kernelfunktion fur Symbolketten definiert. String-Varianten vonselbstorganisierenden Karten und LVQ wurden bereits im Kontext von Spracherkennung implementiert. Sie basierten jedoch auf der feature distance, die verschiedene Nachteile hat. Auchzahlreiche Kernels fur Strings sind schon bekannt, deren Anwendbarkeit ist jedoch auf bestimmte Bereiche begrenzt. In dieser Dissertation werden mathematisch und biologischbegrundete Distanzmasse und Mittelwerte, wie auch Kernels fur Strings definiert. Darauf basierend werden verschiedeneklassische Algorithmen fur Datenvisualisierung,Klassifizierung und Clustering fur Anwendungen an Stringsadaptiert. Deren Gute wird auf kunstlichen und naturlichen Datensatzen getestet. Es wird gezeigt, dass sich die Algorithmen auf dieselbe Art und mit derselben Zielsetzung wiefur numerische Daten auch auf Strings anwenden lassen. Weiteremogliche Anwendungsbereiche, neben den oben erwahnten, schliessen Marketing, Optimierung von Schnittstellen und Verhaltenswissenschaften im Allgemeinen ein.