Despite the currently applied technologies within the forging industry and the efforts made to promote the process reliability and production quality, forging lines are still suffering from deficiency in online capable techniques for monitoring both workpiece and tooling condition. Acoustic Emission (AE) technique offers a reliable, non-destructive and online-capable testing method which can be applied to monitor critical forgings defects and die failure events. However, many aspects should be examined to enable the integration of the AE technique into the production lines. These aspects include hardware selection, noise handling, selection of acquisition parameters, signal processing as well as the choice of analysis, correlation and classification methods. Based upon a combination of AE signal parameters as well as the investigation of the AE waveforms and spectra, the encountered damage und defects could be detected and analysed. For detailed analysis purposes, Gaussian Correlation and Gabor Wavelet Transformation methods have been applied. Furthermore, the recorded AE signals have been classified using the Principal Component Analysis (PCA) technique. Finally, an indicator for simple classification of patterns based on a combination of both temporal and spectral derived parameters has been developed. The newly proposed indicator “AE Pattern Indicator for Forging” (PIFFAE) allows the online classification of the AE patterns acquired emitted due to encountered events like cracking or friction. Trotz der gegenwärtig eingesetzten Technologien zur Steigerung der Prozesssicherheit und Produktionsqualität in der Schmiedeindustrie leiden Schmiedelinien immer noch unter einem Mangel an geeigneten onlinefähigen Techniken zur Bauteil- und Werkzeugüber-wachung. Die Akustische Emission (AE) Technik bietet eine zuverlässige, zerstörungsfreie und onlinefähige Prüfmethode. Viele Aspekte sollten jedoch vor der Integration der AE-Technik in der Produktionslinie geprüft werden. Zu diesen Aspekten gehören die Hardware-Auswahl, der Umgang mit Störsignalen, die Auswahl der Aufnahmeparameter, die Signalverarbeitung, die Analysemethode sowie die Klassifizierung der AE-Signale und die Korrelation zu den Prozessparametern. Basierend auf einer Kombination vordefinierter AE-Signalparameter sowie die Wellenform- und Spektralanalyse konnten die auftretenden Schädigungen und Defekte erfasst und analysiert werden. Für detaillierte Analysezwecke wurden die Gaußschen Korrelation und die Gabor-Wavelet Transformation angewendet. Darüber hinaus wurden die auf-genommenen AE-Signalmuster mit Hilfe der Hauptkomponentenanalyse klassifiziert. Anschließend wurde im Rahmen dieser Arbeit ein einfacher Musterklassifizierungsindikator entwickelt. Der neu vorgeschlagene Indikator (AE Pattern Indicator for Forging, PIFFAE), der auf einer Kombination von abgeleiteten zeitlichen und spektralen Merkmalen basiert, ermöglicht eine online Klassifizierung der während des Prozesses auftretenden Ereignisse wie zum Beispiel Risse oder Reibung.weiterlesen