Der Diffuse Supernovaneutrinohintergrund (zu Englisch Diffuse Supernova Neutrino Background, im Folgenden DSNB) ist der kumulierte Hintergrund aller Neutrinos von Kernkollapssupernovae. Eine Detektion könnte wertvolle Informationen über die Kernkollapssupernovarate, den Anteil an fehlgeschlagenen Supernovae, die zur Bildung eines Schwarzen Loches führen, und die dafür kritische Masse liefern. JUNO (Jiangmen Underground Neutrino Observatory) ist ein Neutrino-Experiment, das voraussichtlich 2024 die Arbeit aufnehmen wird. 20kt Flüssigszintillator werden von 17600 großen 20-inch und 25600 kleinen 3-inch Photomultipliertubes beobachtet. Das DSNB-Signal entsteht durch den Inversen Betazerfall, bei dem ein Elektronantineutrino mit einem Proton zu einem Neutron und einem Positron reagiert. Bevor es mit einem Elektron annihiliert, deponiert das Positron im Flüssigszintillator seine Energie schneller als das ungeladene Neutron, das nach einer Lebenszeit von etwa 200µs von einem Proton eingefangen wird, und sorgt für ein promptes Signal, das Neutron für ein verspätetes Signal. Mögliche Hintergründe für diese Koinzidenz, die in dieser Arbeit behandelt werden, sind atmosphärische Neutrinos, die Neutronen aus Nuklei herausschlagen, die durch Streuung an Protonen sowie die Abregung bei angeregtem Kern ein direktes Signal mit verzögert erfolgendem Neutroneneinfang erzeugen, sowie schnelle Neutronen, die ebenfalls durch Stöße mit Protonen ein direktes Signal und schließlich selbst wieder das verzögerte Signal erzeugen. In den ersten zehn Jahren nach Aufnahme der Arbeit in JUNO erwartet man eine Bestätigung oder einen Ausschluss bestehender DSNB-Modelle mit einer Signifikanz von über 3σ. Um dies zu ermöglichen, muss die Hintergrundunterdrückung ausführlich optimiert werden. Zu diesem Zweck wird die Pulsform des prompten Signals, also alle Photoelektronen-Treffer gegenüber der Zeit, herangezogen, da sich hier die beiden angesprochenen Hintergründe vom DSNB-Signal erkennbar unterscheiden. Neben einer rein mathematischen Methode wurde Machine-Learning eingeführt, dass unter Berücksichtigung verschiedener technischer Effekte auf Simulationsdaten deutlich höhere Signaleffizienzen bei hoher Hintergrundunterdrückung >90% erreichen konnte. In der vorliegenden Arbeit wurden drei Machine-Learning-Modelle, Neuronale Netzwerke, Boosted Decision Trees und Support Vector Machines, weiter auf ihre Spezifizität und Sensitivität untersucht. Dabei wurde ein Vergleich unterschiedlicher Hyperparameter der einzelnen Modelle und der Modelle untereinander vorgenommen. Für schnelle Neutronen wurden bei einer Hintergrundunterdrückung von ~98% auch Signaleffizienzen ~94% ermittelt. Beim durch atmosphärische Neutrinos ausgelösten Hintergrund wurden bei einer Signaleffizienz von ~98% eine geringere Hintergrundunterdrückung von ~90% für das Neuronale Netzwerk und die SVM, ~91% für den BDT bestimmt. Grund hierfür ist, dass schnelle Neutronen von außen in den Detektor eindringen und daher hauptsächlich am Rand des Detektors auftreten. Damit können sie besser ausgeschlossen werden als atmosphärische Neutrinos, die homogen über das ganze Volumen verteilt interagieren können. Ein Veto für den äußeren Bereich anhand des Radius‘ eines Events vom Detektorzentrum wurde daher zunächst vorgeschlagen, dadurch würden aber 26% des Detektorvolumens für die DSNB-Suche verloren gehen. Ein angepasstes Veto wurde eingeführt, das den die Neutronen abbremsenden den Detektor umgebenden zylindrischen Wassertank berücksichtigt. Für diese Arbeit wurden sowohl das angepasste Veto als auch das gesamte Detektorvolumen verwendet. Es wurde keine bedeutende Verschlechterung von Spezifizität oder Sensitivität festgestellt.