Die sich steigernde Häufigkeit und der zunehmende Umfang jüngster Schadsoftwareangriffe unterstreichen die dringende Notwendigkeit schneller und präziser Malware-Klassifizierung im ständig sich wandelnden Cybersicherheitsumfeld. Wesentliche Herausforderungen bestehen darin, verwandte Malware-Familien korrekt zu kategorisieren. Um dieser sich entwickelnden Bedrohungssituation zu begegnen, schlägt diese Arbeit eine neuartige Architektur namens LeViT-MC vor, die Spitzenleistungen in der Erkennung und Klassifizierung von Schadsoftware erzielt. LeViT-MC nutzt eine auf Vision-Transformern basierende Architektur, einen bildbasierten Visualisierungsansatz sowie fortgeschrittene Transfer-Learning-Techniken. Experimentelle Ergebnisse bei der multiklassen-Klassifizierung von Malware mit dem MaleVis-Datensatz zeigen einen erheblichen Vorteil von LeViT-MC gegenüber bestehenden Modellen. Diese Studie betont die entscheidende Bedeutung der Kombination bildbasierter und Transfer-Learning-Techniken, wobei Vision-Transformer an der Spitze des stetigen Kampfes gegen sich entwickelnde Cyberbedrohungen stehen. Wir schlagen eine neuartige Architektur LeViT-MC vor, die nicht nur Spitzenleistungen in der Bildklassifizierung erzielt, sondern auch zeitlich effizienter ist.