Gefährliche Stäube stellen ein erhebliches Risiko für die menschliche Gesundheit und die Sicherheit dar. Dies gilt nicht nur für die Luftverschmutzung, z. B. durch Verbrennungsprozesse, sondern auch für die Freisetzung gefährlicher Stoffe durch Kampf- und Sprengstoffe oder beim Transport von Betäubungsmitteln und Drogen. Stäube solcher Gefahrenstoffe in Echtzeit zuverlässig detektieren zu können ist eine zentrale Aufgabe für den Zivil- und Katastrophenschutz. Die Einzelpartikel-Massenspektrometrie (Single Particle Mass Spectrometry, SPMS) ist eine empfindliche Messtechnik zur Analyse der chemischen Zusammensetzung komplexer luftgetragener Einzelpartikel (Aerosole) in Echtzeit. Dabei werden Aerosole in einem großen Reichweitenbereich von wenigen Metern bis zu mehreren Kilometern erfasst. Aus der chemischen Zusammensetzung der Einzelpartikel im Mikro- und Nanometerbereich kann die Emissionsquelle näher bestimmt werden. Durch die Auswertung von Alterungseffekten sowie von Windverhältnissen und/oder im Verbund mehrerer Systeme lassen sich ferne Emissionsquellen lokalisieren. Für die Detektion selbst weniger Partikel von Gefahrstoffen und Drogen wurde die SPMS-Technologie auf besondere Weise zugeschnitten: Mit innovativen Ionisationsmethoden, wie der resonanzverstärkten Mehrphotonenionisation (REMPI), lassen sich partikelgebundene Metalle und polyzyklische aromatische Kohlenwasserstoffe (PAK) als Basis vieler luftgebundener Gefahrenstoffe selektiv und empfindlich detektieren. Obwohl es sich bei SPMS um eine Online-Analyse handelt, erforderte die Signalverarbeitung zur Klassifizierung und Quellenzuordnung bisher meist eine intensive manuelle Nachbearbeitung, was eine Echtzeitortung unmöglich machte. Im Beitrag wird gezeigt, wie mit Methoden des überwachten maschinellen Lernens eine flexible, automatische Klassifizierung von SPMS-Daten mit hoher Genauigkeit in Echtzeit durchgeführt werden kann. Mit der Verfügbarkeit entsprechender Datenbanken zum Anlernen der angepassten Mustererkennungsverfahren lassen sich die erarbeiteten Algorithmen auf eine Vielzahl von Einsatzszenarien für Luftschadstoff-Warnsysteme zum Gesundheits-, Umwelt- & Katastrophenschutz anwenden.