Zeitreihen sind ein von Natur aus gegebenes Datenmuster, um zeitliche Veränderungen darzustellen. Die Komponenten der Zeitreihen können nicht immer direkt identifiziert werden und bieten wertvolle Informationen über den zugrundeliegenden Prozess. Diese Arbeit befasst sich daher mit der Grundsatzfrage der Komponentenanalyse von Zeitreihen. Unterschiedliche Komponenten in Form von Ansatzfunktionen sollen mit einem neuronalen Netz identifiziert und parametrisiert werden. Insbesondere wird dadurch eine neuartige Form der Interpretierbarkeit von maschinellen Lernansätzen ermöglicht. Der Ansatz dient als Grundlage zur Verbesserung verschiedener Problemstellungen. Neben der Datenanalyse kann auch die Generierung synthetischer Daten mit der Methode der Komponentenanalyse verbessert werden. Weiterhin wird ein neues Gütekriterium zum Training eines Variational Autoencoders untersucht und empirisch validiert. Die allgemeine Methodik der Zeitreihenanalyse kann ebenfalls dazu beitragen, die Leistungsfähigkeit maschineller Lernverfahren in industriellen Anwendungen zu optimieren. Rauschreduzierung, Zeitreihenvorhersage, das Optimieren von Netzwerkarchitekturen und Transferlernen stehen dabei als Anwendungen im Fokus.