This article, emerged from a bachelor thesis, focuses on the classification of hydrometeors measured by the Laser Precipitation Monitor by the Adolf Thies GmbH & Co. KG. The optical disdrometer can classify measurements of hydrometeor size and fall velocity spectra concerning the precipitation type. The measurement principle of the disdrometer is explained, as well as the classifications. For reasons of calculation time, mostly six main precipitation types are considered (drizzle, rain, snow, ice grains, hail, mixed). It is the goal to understand the process of a reliable classification and to determine how these classifications are implemented. Therefore, the precipitation measurements from the measurement field of the Leipzig Institute for Meteorology from 2021 are used. An analysis of the spectrum consisting of hydrometeor diameter and fall speed is investigated. Afterwards, two machine learning methods are applied to the dataset. The classification of each sample through grouping similar samples using cluster analysis serves as an unsupervised approach and in particular examines the natural clusters present in the dataset. Contrasting that the purely statistical, nonphysical, supervised Random Forest method is applied as well. The comparison of the unsupervised and supervised approach shows that for the classification the supervised method is more promising. / Dieser Artikel konzentriert sich auf die Klassifizierung von Hydrometeoren, welche durch den Laser Niederschlags Monitor der Adolf Thies GmbH & Co. KG gemessen werden. Das optische Disdrometer kann die Messungen von Fallgeschwindigkeits- und Größenspektren der Niederschlagspartikel eigenständig in Gruppen der Niederschlagsart einsortieren. Das Messprinzip, sowie die Klassifizierungsmechanismen werden erklärt. Auf Grund der Rechenzeit werden im Rahmen der folgenden Untersuchungen hauptsächlich die 6 Hauptniederschlagsarten (Niesel, Regen, Schnee, Eiskörner, Hagel, Gemischt) unterschieden. Das Ziel der Analyse ist es, den Prozess einer zuverlässigen Klassifizierung zu verstehen und die Möglichkeiten der Anwendung abzuschätzen. Dafür werden die Niederschlagsdaten der Wetterwiese des Leipziger Instituts für Meteorologie aus dem Jahr 2021 verwendet. Nach erster grundlegender Betrachtung des Datensatzes werden zwei verschiedene Machine Learning Methoden angewendet. Als unüberwachte Methode dient der Ansatz der Clusteranalyse, welcher alle Samples über Ähnlichkeitskriterien gruppiert und dadurch die natürliche Gruppierbarkeit eines Datensatzes aufzeigt. Im Gegensatz dazu steht die rein statistische, unphysikalische Methode des Random Forest mit überwachtem Lernprozess. Im Vergleich beider Ansätze zeigt sich, dass ein überwachter Machine Learning Methode zufriedenstellendere Ergebisse erzeugt als unüberwachte Prozesse.