Die kontinuierliche messtechnische Strukturüberwachung, engl. Structural-Health-Monitoring (SHM), von Brücken hat das Potenzial, sich langfristig als wichtiges ergänzendes Instrument der Zustandsbewertung zu etablieren. Durch die Strukturüberwachung sollen Bauwerksschäden zum frühestmöglichen Zeitpunkt erkannt werden. Die Extraktion von geeigneten Kenngrößen (Merkmalen) aus den Messsignalen ist dabei ein wesentlicher erster Schritt in der Datenanalyse. Durch eine Anomalieerkennung können Veränderungen der abgeleiteten Merkmale infolge von Bauwerksschäden oder auch Sensordefekten identifiziert werden. In der vorliegenden Arbeit werden zwei Merkmale für Dehnungssignale zur Strukturüberwachung von Straßenbrücken vorgestellt: die R-Signatur und die M-Signatur. Es werden verschiedene Modelle zur Anomalieerkennung aus dem Bereich des maschinellen Lernens beschrieben. Als Modellarten werden dabei Regressionsmodelle, unter anderem Entscheidungsbäume und neuronale Netze, sowie Rekonstruktionsmodelle, darunter die Hauptkomponentenanalyse und Autoencoder, behandelt. Für die Evaluation einer Schadensidentifizierung werden Messdaten einer einfeldrigen stählernen Hohlkastenbrücke unter realitätsnahen Verkehrs- und Temperatureinwirkungen für eine Dauer von einem Jahr mit einem detaillierten Finite-Elemente (FE)-Modell simuliert. Für den gleichen Zeitraum stehen Messdaten des realen Bauwerks zur Verfügung. Bei der Schadensidentifizierung in den simulierten Messdaten erweist sich das Merkmal R-Signatur als besonders geeignet. Anhand der realen Messdaten kann die automatische Erkennung eines Sensordefekts aufgrund einer fehlerhaften Neukalibrierung zweier Wegaufnehmer demonstriert werden.