Produzierende Unternehmen stehen heutzutage vor der Herausforderung, aufgrund des starken globalen Wettbewerbsdrucks in immer kürzerer Zeit dennoch innovative Produkte zu einem möglichst günstigen Preis auf den Markt zu bringen. Insbesondere für die Produktentwicklung entsteht dadurch ein enormer Zeit- und Kostendruck, allerdings ist die sogenannte Time-to-Market entscheidend für den Markterfolg. Durch die Wiederverwendung von bereits existierenden Produktmodellen sowie dem darin enthaltenen Wissen kann diese Entwicklungszeit deutlich reduziert werden. Jedoch wird diese Wissensbasis aufgrund ihrer impliziten Natur häufig noch nicht systematisch genutzt. Durch die zunehmende Nutzung digitaler Tools und die damit einhergehende wachsende Datenbasis ergibt sich über datengetriebene Ansätze jedoch die Möglichkeit, dieses (implizite) Wissen zu extrahieren, zu formalisieren und nutzbar zu machen. Ziel dieser Dissertation ist die Entwicklung einer Methode zur automatisierten Extraktion von implizitem Wissen in Form von Features und Mustern aus vorhandenen Produktmodellen mit Hilfe von Verfahren des Maschinellen Lernens. Anhand von erlernten Mustern wird für einen gegebenen Konstruktionszustand zunächst der Folgezustand prädiziert, für den anschließend die ähnlichsten bereits existierenden finalen Modelle aufgezeigt und die produktionsrelevanten Produkteigenschaften bewertet werden. Die Ergebnisse auf Basis eines industriellen Datensatzes zeigen, dass bereits für anfängliche Konstruktionszustände ähnliche Produktmodelle identifiziert werden können, wodurch die Wiederverwendung von Wissen gefördert sowie die Generierung von Dubletten reduziert werden. Darüber hinaus können bereits frühzeitig Hinweise auf mögliche Probleme bezüglich der späteren Produzierbarkeit gegeben werden.