Die Visualisierung von Volumendaten ist ein in vielen Bereichen relevantes Problem. Beispielsweise in der Medizin werden Daten, die bei der Computertomographie entstehen, erst durch Volumen-Visualisierung brauchbar. Auch im Bereich der Geologie bei der Darstellung von seismischen Daten und der Klimaforschung bei beispielsweise der Darstellung von Strömungen greifen Wissenschaftler auf die Methoden der Volumenvisualisierung zurück. Auf hochauflösenden Volumen sind dabei kleine Details gut zu erkennen. Wenn allerdings die Volumen nicht in einer hohen Auflösung zu Verfügung stehen, sind Details trotz verschiedener Upsampling-Methoden wie trilinear und trikubisch oft nur unzureichend erkennbar. In dieser Arbeit wird untersucht wie gut sich dieses Problem mit Neuronalen Netzen lösen lässt. Diese sind inspiriert durch das Nervensystem des Menschen. Sie sollen wie der Mensch durch Beispiele lernen um Lösungen zu entwickeln. Es werden verschiedene Netzwerkarchitekturen und Subsampling-Faktoren an drei verschiedenen Datensätzen getestet. Das Netz besteht aus drei Schichten. Es erhält als Eingabe subgesampelte Volumen zum Trainieren und wird mittels dem Mean Squared Error optimiert. Auf Volumen, die das Netz zuvor noch nie gesehen hat, wird der Mean Squared Error, der Peak signal-to-ratio und der Structural Similarity Fehler berechnet.