Die automatische Signerserkennung ist ein zentrales Thema innerhalb der Bereiche Mensch-Computer-Interaktion und maschinelles Lernen. Einerseits stellt sie eine komplexe Herausforderung dar, die die Integration verschiedener Wissensgebiete erfordert, wie beispielsweise Videobearbeitung, Bildverarbeitung, intelligente Systeme und Linguistik. Andererseits könnte eine robuste Erkennung von Gebärdensprachen die Übersetzungsprozesse unterstützen und die Integration gehörloser Menschen fördern.Diese Arbeit leistet zwei Hauptbeiträge: Erstens die Erstellung einer Datenbank von Handformen für die Argentinische Gebärdensprache (LSA), ein Thema, das bisher kaum behandelt wurde. Zweitens wird eine Technik zur Bildverarbeitung, Merkmalsextraktion und anschließenden Klassifikation von Handformen vorgestellt, die auf einer überwachten Anpassung von selbstorganisierenden Karten basiert und als ProbSom bezeichnet wird. Diese Methode wird mit anderen Verfahren aus dem Stand der Technik, wie Support Vector Machines (SVM), Random Forests und neuronalen Netzen, verglichen.Die aufgebaute Datenbank enthält 800 Bilder mit 16 unterschiedlichen Handformen der LSA und stellt einen ersten Schritt hin zu einer umfassenden Datenbank argentinischer Gebärden dar. Der auf ProbSom basierende neuronale Klassifikator, angewandt mit dem vorgeschlagenen Merkmalsbeschreiber, erreichte eine Genauigkeitsrate von über 90 %.