Die vorliegende Arbeit beschäftigt sich mit der visuellen Analyse von Daten der kontinuierlichen Glukosemessung. Hierzu wird ein Visualisierungssystem entwickelt, welches in der Lage ist, Muster und Ausreißer in den Daten mithilfe von verschiedenen Visualisierungen darzustellen und dazugehörige Statistiken zur Auswertung der Daten zu generieren. Erreicht wird dies mithilfe von unüberwachtem maschinellen Lernen in Kombination mit klassischen Zeitreihen-Visualisierungen. Zunächst werden theoretische Grundlagen gemeinsam mit aktuellen Visualisierungsansätzen aus verschiedenen verwandten Arbeiten vermittelt. Darauf basierend wird ein Visualisierungsansatz für die Analyse der Daten vorgestellt. Diese beinhalten Kastengrafiken, Heatmaps, Linien-, Säulen-, Kreis- und Streudiagramme. Schließlich wird dazu ein Visualisierungssystem realisiert, welches in Form von drei Fallstudien evaluiert wird. Dafür werden reale Daten verwendet, die aus der kontinuierlichen Glukosemessung verschiedener Patienten/-innen entstanden sind. Die Ergebnisse der Fallstudien konnten zeigen, dass sich der Einsatz von unüberwachten maschinellen Lernverfahren in Kombination mit klassischen Zeitreihen-Visualisierungen für die Erkennung von Mustern und Ausreißern in den Daten verwenden lassen.