In the context of the impending oil shortage in the near future, it is vital to find an economical and environmental-friendly route to produce alternative building blocks for chemical industry, such as propene and acrylic acid. Many attempts have been done in the past decades in order to implement an efficient and suitable catalyst for alkane oxidation. However, no real breakthrough has been achieved in the catalytic community since the discovery of MoVTeNb M1 phase-pure catalyst patented by Mitsubishi Corp. in the early 1990s. The lack of homogeneity of data presented in the literature, regarding the many proposed catalytic systems, addresses the new oxidation catalysis research back to fundamental roots, since only a deep understanding and a systematic study of the intrinsic nature of the catalyst may constitute the key for the future. To this latter extent, the implementation of a catalyst requires the study of relative simple and flexible system, such as perovskites, since these bulk oxide catalysts present a high level of flexibility without destroying their structure. Mathematical tools, such as high-throughput DFT calculations, machine learning (ML) and artificial intelligence, have already been widely employed for accelerating the discovery of possible new perovskite-like structures [1-5] and for searching for key-descriptors for the catalytic performance. The present project deals with the synthesis, characterization and catalytic testing of twenty-three phase-pure perovskite-like catalysts (two of them are 97% phase-pure perovskite-like catalysts) in order to serve as basis for artificial intelligence analysis. For this purpose, Mn has been chosen as B-site cation combined with an other metal belonging to the 3d or 4d row of the periodic table (the synergistic effect is claimed to be beneficial to the catalytic performance). The selected element at the B-site have similar ionic radius among each other (ionic radii in six coordination: Co2+ = 0.65 Å, Zn2+= 0.74 Å, Ni2+=0.69 Å, Fe2+=0.61 Å, Cr2+=0.73 Å, Pd2+=0.86 Å, Cu2+= 0.73 Å and Mn3+/4+=0.53-0.64 Å). The A-site cation has been changed between La3+, Pr3+, Nd3+ and Sm3+ to tune the structural and electronic properties. Therefore, twenty-one purely phase-pure perovskites, among which fourteen present the general formula (La,Pr)Mn(1-x)CuxO3 (with x=0-0.4) and other five the general formula AMn0.7B’0.3O3 (with A=Pr, Nd and Sm and B’=Co, Zn, Ni, Fe, Cr) and (La,Pr)2CuO4 perovskite-related structures have been synthesized, tested in CO and propane oxidation and subjected to different characterization methods in order to obtain numerical values of some properties (also known as basic descriptors) for artificial intelligence analysis. As first step, the (La,Pr)Mn(1-x)CuxO3 series has been investigated in detail. From the combined analysis of the characterization data with those of catalysis, it emerges the high complexity generated by the synergistic effect of a double B-site into the catalytic dynamic. Furthermore, the catalytic results highlight that also the A-site indirectly influences the catalytic scenario, in particular in CO oxidation. This is in contrast to what is generally reported in the literature, where it is claimed that the B-site is the responsible element for the catalytic performance. The Artificial Intelligence analysis performed over the (La,Pr)Mn(1-x)CuxO3 series have highlighted how a single primary feature based on chemical intuition is not sufficient to fully describe the properties linked to the catalytic performance in CO oxidation. Additionally, the found optimal model has confirmed the hypothesis and expectations formulated for the (La,Pr)-based series, where the A-site is indirectly involved in the catalytic performance in CO oxidation. Also the AI performed over the whole perovskite matrix ((La,Pr)Mn(1-x)CuxO3 series + AMn0.7B’0.3O3 series) confirms the results discussed for the (La,Pr)-series in CO oxidation. Many different conclusions can be drawn from the AI analysis results of the data deriving from propane oxidation. For instance, they highlight how the addition of steam into the reaction feed could affect the catalytic scenario to different extents depending on the involved samples. A detailed summary and the final overview of the herein presented project are reported in the conclusion part of this work., Vor dem Hintergrund der in naher Zukunft drohenden Ölknappheit, gilt es, einen wirtschaftlichen und umweltfreundlichen Weg zu finden, um alternative Bausteine, wie Propen und Acrylsäure, für die chemische Industrie herzustellen. In den letzten Jahrzehnten wurden viele Versuche unternommen, einen effizienten und geeigneten Katalysator für die Alkanoxidation zu entwickeln. Seit der Entdeckung des phasenreinen MoVTeNb-M1-Katalysators, der von Mitsubishi Corp. in den frühen 1990er Jahren patentiert wurde, wurde jedoch kein weiterer Durchbruch mehr in der katalytischen Gemeinschaft erzielt. Der Mangel an Homogenität der in der Literatur präsentierten Daten, zu den vielen vorgeschlagenen Katalysatoren, führt die heutige Oxidationskatalyseforschung zu ihren grundlegenden Wurzeln zurück, da nur ein tiefes Verständnis und eine systematische Untersuchung der intrinsischen Natur des Katalysators der Schlüssel für die Zukunft ist. Daher erfordert die Implementierung eines Katalysators die Untersuchung relativ einfacher und flexibler Systeme wie Perowskite, da diese Bulk-Oxidkatalysatoren ein hohes Maß an Flexibilität aufweisen, ohne ihre Struktur zu verlieren. Mathematische Werkzeuge wie high-throughput-DFT-Rechnungen, Machine Learning (ML) und künstliche Intelligenz (KI) wurden bereits häufig eingesetzt, um die Entdeckung möglicher neuer Perowskit-ähnlicher Strukturen zu beschleunigen und nach Schlüsseldeskriptoren für die katalytische Performance zu suchen. Die vorliegende der Arbeit beschäftigt sich mit der Synthese, Charakterisierung und katalytischen Testung von dreiundzwanzig phasenreinen perowskitähnlichen Katalysatoren (zwei davon sind 97% phasenreine perowskitähnliche Katalysatoren) als Grundlage für die weiterführende Analyse mittels künstlicher Intelligenz. Zu diesem Zweck wurde Mn als Kation der B-Site in Kombination mit einem zweiten Metall aus der 3. oder 4. Reihe des Periodensystems gewählt (der synergistische Effekt soll der katalytischen Performance zugute kommen). Die ausgewählten Elemente an der B-Site haben dabei ähnliche Ionenradien (Ionenradien in sechsfacher Koordination: Co2+= 0.65 Å, Zn2+= 0.74 Å, Ni2+=0.69 Å, Fe2+=0.61 Å, Cr2+=0.73 Å, Pd2+=0.86 Å, Cu2+= 0.73 Å und Mn3+/4+=0.53-0.64 ). Das Kation der A-Site wurde zwischen La3+, Pr3+, Nd3+ und Sm3+ variiert, um die strukturellen und elektronischen Eigenschaften zu modifizieren. Um das zu realisieren, wurden einundzwanzig phasenreine Perowskite synthetisiert, in CO- und Propanoxidation getestet und standardmäßigen Strukturcharakterisierungen unterzogen, um numerische Werte bestimmte Eigenschaften (auch als grundlegende Deskriptoren bekannt) für die Analyse der künstlichen Intelligenz zu erhalten. Von den einundzwanzig vollständig phasenreinen Katalysatoren, weisen vierzehn die allgemeine Formel (La,Pr)Mn(1-x)CuxO3 (mit x=0-0.4) auf, weitere fünf Perowskite besitzen die allgemeine Formel AMn0.7B'0.3O3 ( mit A=Pr, Nd und Sm und B'=Co, Zn, Ni, Fe, Cr) und zwei Perowskit-ähnliche Strukturen lassen sich durch die Formel (La,Pr)2CuO4 beschreiben. Als erster Schritt wurde die (La,Pr)Mn(1-x)CuxO3-Reihe im Detail untersucht. Aus der kombinierten Analyse der Charakterisierungsdaten und der Katalyse zeigt sich eine hohe Komplexität, die durch den synergistischen Effekt einer doppelten B-Site während der Katalyse erzeugt wird. Weiters zeigen die katalytischen Ergebnisse, dass auch die A-Site die katalytische Performance indirekt beeinflusst, insbesondere bei der CO Oxidation. Das steht im Gegensatz zu den allgemein in der Literatur berichteten Behauptungen, dass (ausschließlich) die B-Site das verantwortliche Element für die katalytische Performance ist. Die durchgeführte Analyse mittels künstlicher Intelligenz über die (La,Pr)Mn(1-x)CuxO3-Reihe hat gezeigt, dass ein einzelnes primäres Merkmal, das auf chemischer Intuition basiert, nicht ausreicht, um die katalytische Performance vollständig zu beschreiben. Darüber hinaus hat das gefundene optimale Modell, die formulierten Hypothesen und Erwartungen für die (La,Pr)-basierte Reihe bestätigt, bei der auch die A-Site indirekt an der katalytischen Performance bei der CO Oxidation beteiligt ist. Auch die KI-Analyse über die gesamte Perowskitmatrix ((La,Pr)Mn(1-x)CuxO3-Reihe + AMn0.7B’0.3O 3-Reihe) bestätigt die (La,Pr)-Reihe diskutierten Ergebnisse in der CO-Oxidation. Im Fall der Propanoxidation, ergibt sich eine Vielzahl an Schlussfolgerungen, die aus der KI-Analyse gezogen werden können. Zum Beispiel zeigen sie auf, wie die Zugabe von Wasserdampf die Katalyse in Abhängigkeit von den beteiligten Proben unterschiedlich stark beeinflussen kann. Eine detaillierte Zusammenfassung und ein abschließender Überblick über das hier vorgestellte Projekt werden im Schlussteil dieser Arbeit berichtet.