In der vorliegenden Arbeit werden sogenannte Fahrassistenzsysteme adressiert, die den Fahrer bei der komplexen Aufgabe der Fahrzeugfuhrung unterstutzen. Grundlage fur viele dieser Systeme ist eine robuste und zuverlassige Spurerkennung, d.h. die Bestimmung der Lage des eigenen Fahrzeuges innerhalb der Fahrspur sowie des weiteren Spurverlaufs. Die darauf aufbauende Unterstutzung reicht von einer Warnung des Fahrers vor dem Verlassen der Fahrspur, uber die Spurzuordnung fur Langsregelsysteme, wie dem Abstandsregeltempomaten (ART), bis hin zum automatischen Eingriff in die Lenkung zur Unterstutzung des Fahrers bei der Spurhaltung. Die meisten Systeme zur Spurerkennung basieren auf Kamerasystemen, die am Innenspiegel der Fahrzeuge angebracht sind und den Verkehrsraum vor dem Fahrzeug beobachten. Dabei werden die weissen Fahrbahnmarkierungen im Bild erkannt und die relevanten Parameter geschatzt. Sind die Fahrbahnmarkierungen aufgrund von Verschmutzung, Verdeckung durch andere Verkehrsteilnehmer, aber auch infolge von schlechten Sicht- und Witterungsbedingungen (wie Schnee, Regen, Dunkelheit und tiefstehende Sonne) nur schlecht zu erkennen, so konnen optische Spurerkennungssysteme die Informationen uber den Spurverlauf nur mit verminderter Qualitat oder gar nicht zur Verfugung stellen. In dieser Arbeit wird ein Multisensorsystem fur die robuste und zuverlassige Spurerkennung vorgestellt. Es wurde ein modulares und erweiterbares Konzept zur Sensorfusion mittels Kalman Filter erarbeitet. Ein Schwerpunkt der Arbeit lag dabei auf der Untersuchung von verschiedenen bereits im Fahrzeug verfugbaren Sensoren. Hierzu wurden ein (D)GPS basiertes Kartensystem sowie ein auf Radar basierendes Objekterkennungssystem genauer analysiert. Zusatzlich wurden Verfahren entwickelt, die es erlauben, alle fahrbahnparallelen Strukturen in die Spurverlaufsschatzung miteinzubeziehen. Durch die Fusion von verschiedenen Sensoren kann es verstarkt zu Mehrdeutigkeiten, Fehlern in der Zuordnung und Fehlmessungen kommen. Zusatzlich ist eine grundlegende Problemstellung die Auslegung des Fusionsfilters. Dessen Parametrisierung stellt immer einen Kompromiss fur das gewahlte Szenario dar. Konkurrierende Probleme sind das Zulassen hoher Dynamik und die Reduktion des Rauschens. Zur Losung werden mehrere Spurverlaufshypothesen fur ausgewahlte Sensorkombinationen aber auch fur verschiedene Fahrmanover aufgesetzt und parallel verfolgt. Diese werden mittels eines Gutekriteriums bewertet und in der Hypothesenfusion kombiniert. Zur Hypothesenverfolgung und -fusion wird das 'Interacting Multiple Model' (IMM) Filter eingesetzt. Das IMM Filter unterscheidet sich gegenuber anderen Mehrfiltersystemen darin, dass angenommen wird, dass der Ubergang von einem Modell zu einem anderen nicht rein zufallig vonstatten geht, sondern sich durch eine Markov-Kette erster Ordnung modellieren lasst. Es wurde gezeigt, dass die Robustheit, Verfugbarkeit und Zuverlassigkeit der Spurerkennung mittels Sensorfusion signifikant verbessert werden kann. Die Starken der einzelnen Sensoren werden dabei hervorgehoben, deren Nachteile abgeschwacht. Der Multihypothesenansatz stellt eine wesentliche Verbesserung der Spurerkennung dar. Er erlaubt die Erkennung und Optimierung einzelner Manover und Situationen. Daruber hinaus konnen Fehler von Einzelsensoren uber den dargestellten Ansatz robust uber die Zeit detektiert werden. Generell erlaubt es der dargestellte Ansatz nicht alleine, die Robustheit der Umgebungserfassung zu steigern. Er stellt vielmehr das Bindeglied zwischen der Umgebungserfassung und der Situationsbewertung dar. Die in der Situationsbewertung abgebildeten Verhaltensmuster und Manover werden parallel verfolgt, bewertet und deren Wahrscheinlichkeit berechnet. Dies erlaubt die fruhzeitige Erkennung von Manovern und unterstutzt somit das schnelle Einleiten adaquater Aktionen und Reaktionen.