Diese Arbeit stellt eine Anwendung des Deep Learning zur effizienten Klassifizierung von Amyotropher Lateralsklerose (ALS) und normalen Elektromyogramm-(EMG-)Signalen vor. EMG-Signale sind hilfreich bei der Analyse neuromuskulärer Erkrankungen wie der ALS. ALS ist eine gut bekannte neurodegenerative Erkrankung des zentralen Nervensystems, die sich progressiv auf die motorischen Neuronen auswirkt. Die meisten vorangegangenen Arbeiten zur Klassifizierung von EMG-Signalen basieren auf einer Reihe grundlegender Signalverarbeitungsmethoden, wie statistischer Signalverarbeitung, Wavelet-Analyse und empirischer Modendekomposition (EMD). In dieser Arbeit wird ein alternatives Verfahren vorgestellt, das auf der Zeit-Frequenz-(TF-)Darstellung von EMG-Signalen und der Anwendung von Faltungsneuralen Netzen (CNN) basiert. Zur Erzeugung der TF-Darstellung wird die Kurzzeit-Fourier-Transformation (STFT) verwendet. Die CNN-Architektur umfasst zwei Faltungsschichten, zwei Pooling-Schichten, eine vollständig verbundene Schicht sowie eine Verlustfunktionsschicht. Die Effizienz der vorgeschlagenen Methode wird anhand eines öffentlich verfügbaren EMG-Datensatzes getestet. Der Datensatz enthält insgesamt 89 ALS- und 133 normale EMG-Signale mit einer Abtastfrequenz von 24 kHz. Die experimentellen Ergebnisse zeigen eine Klassifizierungsgenauigkeit von 96,69 %. Die erzielten Ergebnisse werden zudem mit anderen Methoden verglichen, wodurch die Überlegenheit des vorgeschlagenen Ansatzes deutlich wird.