Ein Ziel der Künstlichen Intelligenz ist die Modellierung von Fähigkeiten, die man üblicherweise Menschen zuschreibt, mittels Computern. Eine solche Fähigkeit ist die Analyse von Daten und das Treffen von Entscheidungen aufgrund der Ergebnisse dieser Analyse. Eine weitere Fähigkeit, die eng mit der ersten verknüpft ist, ist die Repräsentation von Wissen sowie das logische Schließen auf der Basis des repräsentierten Wissens. Zwei der Bereiche der Künstlichen Intelligenz, in denen die genannten Fähigkeiten erforscht und in Systemen angewendet werden, sind die Gebiete des Maschinellen Lernens und das verwandte Gebiet der Wissensentdeckung in Datenbanken, das auch als Data Mining bezeichnet wird. In den letzten Jahren ist die Zahl der Anwendungen des Data Mining stark gestiegen. Eine Methode des Data Mining, die in letzter Zeit viel Beachtung fand, ist die formale Begriffsanalyse (FBA). Im Gegensatz zu vielen anderen Analysemethoden kommt es bei der FBA nicht zu Informationsverlusten während der Analyse der Daten. Diese Eigenheit ist gleichzeitig ein Vor- und ein Nachteil der Methode: Sie ist ein Vorteil, da der Benutzer sicher sein kann, dass keine wichtigen Details verloren gehen; sie ist ein Nachteil, weil der Rechenaufwand für diese Methode sehr hoch ist. In dieser Dissertation werden zwei zentrale Aufgaben der FBA erforscht: Die Aufgabe, die Menge aller Konzepte zu berechnen und die Aufgabe, Konzeptverbände zu visualisieren. Das Berechnen der Menge aller Konzepte sowie die Visualisierung von Konzeptverbänden hat zentrale Bedeutung bei der praktischen Anwendung von FBA-Methoden. Des weiteren spielen diese Aufgaben eine wichtige Rolle in einigen anderen Gebieten der Datenanalyse wie Assoziationsanalyse (engl. Association Analysis) und der JSM-Methode für Hypothesengenerierung. In dieser Dissertation wird ein neuer Algorithmus zur Berechnung von Konzeptverbänden namens Grail entwickelt. Dieser Algorithmus wird experimentell mit existierenden Ansätzen zur Berechnung von Konzeptverbänden verglichen. Zusätzlich wird ein weiterer Ansatz zur Berechnung von Konzeptverbänden vorgestellt und untersucht, der binäre Entscheidungsdiagramme benutzt (engl. Binary Decision Diagrams, BDD). Dieser Ansatz resultiert in einer ganzen Familie von konkreten Algorithmen, die BDD benutzen. Es wird gezeigt, dass die resultierenden Algorithmen gerade auch für solche Problemstellungen, die für Algorithmen mit expliziter Darstellung schwierig zu lösen sind, eine bessere Performanz haben. Der zweite Teil dieser Dissertation beschäftigt sich mit Visualisierung von Konzeptverbänden. Nachdem ein Konzeptverband berechnet wurde, kann er einem Benutzer zur Auswertung präsentiert werden. Dabei spielt eine gute Visualisierung eine wichtige Rolle, da sie ganz wesentlich bestimmt, wie viel Information der Benutzer extrahieren kann und demnach wie gut die Analyse durch den Benutzer sein kann. Eine angemessene Visualisierung als Liniendiagramm (engl. Line Diagram) erlaubt die Strukturierung der Daten und das Aufzeigen von Abhängigkeiten zwischen Datenmerkmalen. In dieser Dissertation werden zwei neue Methoden zur Visualisierung von Konzeptverbänden als Liniendiagramm entwickelt und mit anderen Visualisierungsmethoden verglichen.