Der internationale Handel mit Holz und Holzprodukten erfordert effektive Methoden für eine genaue und zweifelsfreie Bestimmung der individuellen Hölzer. Der Einsatz der digitalen Holzartenerkennung auf Grundlage von maschinellen Lernverfahren soll aufgrund dessen eine schnelle und zuverlässige Alternative zur Bestimmung von Holzarten bieten. Diese Arbeit beschreibt eine Machine Learning- basierte Holzartenbestimmung auf der Basis von mikroskopischen Präparaten. Auf mikroskopischer Ebene ist es möglich, sehr feine Strukturmerkmale in die Identifikation miteinzubeziehen. Zur Erprobung des Verfahrens werden sechs wichtige Wirtschaftsbaumarten aus der Familie der MELIACEAE ausgewählt, worunter sich auch die CITES-geschützten Arten Swietenia spp. befinden. Der erforderliche Bilddatensatz wird mit wissenschaftlich belegtem Referenzmaterial des Thünen-Instituts für Holzforschung aufgebaut und umfasst ca. 7000 Aufnahmen. Das entwickelte neuronale Netz zur Holzartenbestimmung basiert auf einem Convolutional Neural Network und wird nach dem Transfer Learning Lernverfahren trainiert. Die sechs ausgewählten Arten können durch das vorgestellte Modell mit einer Gesamtgenauigkeit von 97 Prozent klassifiziert werden. Fehlerhaft klassifizierte Arten sind optisch und anatomisch stark übereinstimmend und auch konventionell anspruchsvoll zu bestimmen. Diese Arbeit stellt einen wichtigen konzeptionellen Beweis zur Verwendung und Weiterentwicklung von Computer Vision Anwendungen auf dem Themengebiet der Holzartenbestimmung dar.