Die automatische Erstellung von optimalen Entwurfskonzepten für mechanische Strukturen im rechnergestützten Entwicklungsprozess ist ein wichtiger Forschungszweig. Methoden der Topologieoptimierung bestimmen die Materialverteilung in einem vordefinierten Entwurfsraum und daher nicht nur die Form, sondern auch die grundsätzliche geometrische Ausgestaltung einer Struktur. Die Mehrheit der verfügbaren numerischen Optimierungsmethoden benötigen hierfür mathematische Gradienteninformation. Betrachtet man jedoch Optimierungsprobleme, die stark nichtlineare oder Blackbox-Simulationen beinhalten, kann es schwierig sein, zufriedenstellende Ergebnisse oder überhaupt Gradienteninformation zu erhalten. Um auch für solche Probleme Entwurfskonzepte zu finden, wird in dieser Dissertation ein generischer Topologieoptimierungsansatz präsentiert. Die neue Methode realisiert eine eigenständige Lernkomponente, welche in der Lage ist, aus physikalischen Simulationsdaten eine Suchrichtung zu erstellen. Basierend auf einer kontinuierlichen Formulierung des Problems wird jede Entwurfsvariable durch ein gelerntes Updatesignal iterativ verbessert. Die individuellen Updatesignale berechnen sich aus lokalen Zustandsmerkmalen und ersetzen die Sensitivitäten der Entwurfsvariablen. Evolutionäre Optimierung oder überwachte Lernverfahren passen die Modellparameter zur Bestimmung der Updatesignale an das gewählte Optimierungsziel an. In empirischen Studien reproduziert die neue Methode Referenzstrukturen mit minimaler Nachgiebigkeit. Bei der Anwendung auf ein Problem aus dem anspruchsvollen Gebiet der Optimierung des Fahrzeug-Unfallverhaltens, speziell der Minimierung der Eindringtiefe, liefert sie überlegene Entwurfsvorschläge im Vergleich mit einer häufig verwendeten heuristischen Methode. Die Ergebnisse bestätigen, dass die vorgeschlagene Methode in der Lage ist, innovative Lösungen für bisher ungelöste Topologieoptimierungsprobleme zu erzeugen.