Het primair doel van dit doctoraal proefschrift is het automatiseren van het proces om `white-box' modellen op te bouwen die intepreteerbaar en extrapoleerbaar zijn en bestaan uit symbolische vergelijkingen. Dit met een specifieke focus op mechatronische systemen. Voor het verwezenlijken van dit doel ontwikkelen we nieuwe algoritmen voor het ontdekken van wiskundige modellen gebruik makende van symbolische regressie. We focussen op het toepassen van symbolische regressie voor (a) mechatronische systeemidentificatie, met name het vinden van symbolische vergelijkingen die het input-output gedrag van het complexe mechatronische systeem beschrijven. (b) mechatronische regeling, meer bepaald het ontdekken van regelwetten op basis van data. Het onderzoek bestaat uit volgende drie deeldoelen: (i) automatische modelvorming voor systeemidentificatie en controle, (ii) automatische modelselectie, (iii) realiseren van symbolische modellen en deze toepassen op mechatronische systemen, namelijk op een mechanische Duffing oscillator, elektrische inductiemachine, en een weefgetouw systeem die dienst doet als mechatronisch voorbeeld. De ontwikkelde algoritmen en methoden brengen ons heel wat stappen dichter bij het doel om wiskundige modellen voor fysische dynamische systemen te gaan extraheren waarbij de modelleringskost wordt vereenvoudigd en de gebruikersinteractie beperkt tot zelfs geëlimineerd kan worden.