Frageklassifikation ist die Aufgabe, den Entitätstyp des Antwortsatzes für eine gegebene Frage in natürlicher Sprache vorherzusagen. Sie spielt eine entscheidende Rolle bei der Suche oder Erstellung genauer Antworten und trägt somit zur Verbesserung der Qualität automatisierter Frage-Antwort-Systeme bei. In früheren Studien wurden automatisch verschiedene lexikalische, syntaktische und semantische Merkmale aus einer Frage extrahiert, um die Klassifikation zu unterstützen. Allerdings führt die Kombination all dieser Merkmale nicht immer zu optimalen Ergebnissen für alle Fragearten. Im Gegensatz zu vorherigen Ansätzen konzentriert sich diese Arbeit auf das Problem, wie effiziente Merkmale abhängig von unterschiedlichen Fragearten extrahiert und ausgewählt werden können. Zunächst schlagen wir eine Methode vor, bei der ein Merkmalsauswahlalgorithmus verwendet wird, um geeignete Merkmale für verschiedene Fragearten zu bestimmen. Zweitens entwickeln wir eine neue Art von Merkmalen, die auf Fragemustern basiert. Wir testen unseren Ansatz anhand des Benchmark-Datensatzes TREC und verwenden Support Vector Machines (SVM) als Klassifikationsalgorithmus. Die Experimente zeigen Ergebnisse mit Genauigkeiten von 95,2 % und 91,6 % für die grobe und feine Klassifikation, jeweils deutlich besser als in früheren Studien.