Das Selbstorganisierende Kartenmodell (Self-Organizing Map, SOM) ist ein neuronales Modell, das vom Gehirn inspiriert ist und für das unüberwachte Lernen, insbesondere in eingebetteten Anwendungen, sehr vielversprechend ist. Allerdings ist es bei der Verarbeitung komplexer Datensätze nicht in der Lage, effiziente Prototypen zu lernen. In dieser Arbeit schlagen wir vor, die Leistung des SOM durch die Verwendung extrahierter Merkmale anstelle roher Daten zu verbessern. Wir führen eine vergleichende Studie zur Klassifikationsgenauigkeit des SOM mit unüberwachter Merkmalsextraktion durch, wobei zwei verschiedene Ansätze verwendet werden: Ein maschinelles Lernverfahren mit dünn besetzten Faltungs-Autoencodern (Sparse Convolutional Auto-Encoders), die auf gradientenbasiertem Lernen basieren, und ein neurowissenschaftlicher Ansatz mit spikenden neuronalen Netzen (Spiking Neural Networks), die auf spikezeitabhängiger Plastizität (Spike Timing Dependent Plasticity) basieren. Das SOM wird auf den extrahierten Merkmalen trainiert und anschließend werden sehr wenige etikettierte Stichproben verwendet, um die Neuronen mit ihren entsprechenden Klassen zu beschriften. Wir untersuchen den Einfluss der Merkmalskarten, der SOM-Größe und der Größe des etikettierten Teilstichproben auf die Klassifikationsgenauigkeit unter Verwendung der verschiedenen Merkmalsextraktionsmethoden. Wir verbessern die Klassifikation des SOM um +6,09 % und erreichen Stand der Technik-Leistungen bei unüberwachter Bildklassifikation.