Die vorliegende Arbeit beschäftigt sich mit der Positionsbestimmung von elektronischen Sendern (z.B. Mobiltelefon) innerhalb drahtloser Netzwerke unter Verwendung von Signalparametern wie dem Einfallswinkel (Angle-of-Arrival ) oder der Ankunftszeit (Time-of-Arrival ). Diese Signalparameter werden beispielsweise an den stationären Empfängern des drahtlosen Netzwerks geschätzt. Wenn eine Sichtverbindung (Line-of-Sight (LOS)) zwischen Sender und Empfänger besteht, kann mittels Trilateration oder Triangulation eine hohe Positionierungsgenauigkeit erzielt werden. In der Realität trifft die Annahme einer Sichtverbindung zwischen Sender und Empfänger jedoch selten zu. Durch Hindernisse auf dem Übertragungsweg, wie z.B. Häuser oder Bäume, wird das Signal gegebenenfalls mehrfach reflektiert und erreicht so den Empfänger auf einem indirekten Pfad. Dies wird in der Literatur als Non-Line-of-Sight (NLOS)-Ausbreitung bezeichnet und führt bei der Schätzung der oben genannten Signalparameter zu großen Fehlern. Diese Fehler werden hier als statistische Ausreißer modelliert und haben zur Folge, dass herkömmliche Positionierungsverfahren wie der Kleinste-Quadrate-Schätzer (least-squares estimator ) oder erweiterte Kalman Filter (EKF) zu erheblichen Ungenauigkeiten führen. Aus diesem Grund werden Verfahren benötigt, die sich robust gegenüber der LOS-Annahme verhalten und auch in schwierigen Umgebungen eine angemessene Genauigkeit erreichen. Da in der Praxis die statistische Verteilung der NLOS-Ausreißer unbekannt ist, schlagen wir vor, diese Verteilung aus den Beobachtungen heraus nicht-parametrisch zu schätzen. Die geschätzte Verteilung wird innerhalb eines parametrischen Modells verwendet, um die Position eines stationären Senders mit Hilfe des Maximum-Likelihood- Prinzips zu bestimmen. Dieser als semi-parametrisch bezeichnete Ansatz erzeugt eine signifikante Erhöhung der Positionierungsgenauigkeit gegenüber konventionellen Methoden in NLOS-Umgebungen, während in LOS-Umgebungen eine ähnliche Genauigkeit wie der Kleinste-Quadrate-Schätzer erreicht werden kann. Dieser Ansatz wird innerhalb der Arbeit für einen räumlich nicht-stationären Sender unter Verwendung eines EKF ausgebaut. Dabei werden die Gleichungen des EKF für jeden Zeitpunkt in ein lineares Regressionsmodell umformuliert und der semiparametrische Schätzer wird verwendet, um die Position und Geschwindigkeit des Senders zu schätzen. Für das Problem eines räumlich nicht-stationären Senders wird weiterhin ein Zielverfolgungsalgorithmus vorgeschlagen, der einen EKF und eine parametrische, robustifizierte Version desselben parallel verwendet und je nach Situation unterschiedlich stark gewichtet. Dadurch kann eine hohe Positionsgenauigkeit in LOS-Umgebungen sowie Robustheit gegenüber NLOS-Messungen erzielt werden. Darüber hinaus stellen wir einen kombinierten NLOS-Erkennungs- und Zielverfolgungsalgorithmus vor. Ein Hypothesentest detektiert dabei Positionsmessungen, die aufgrund von NLOS-Ausreißern fehlerhaft sind. Diese Beobachtungen werden verworfen und die verbleibenden Messungen werden für den Aktualisierungsschritt des Kalman Filters verwendet. Da nicht bekannt ist welche dieser Messungen die höchste Präzision erzielen, werden sie mit unterschiedlichen Wahrscheinlichkeiten gewichtet. Alle im Rahmen der Arbeit vorgeschlagenen Algorithmen erzielen höhere Positionierungsgenauigkeiten in NLOS-Umgebungen als verschiedene Vergleichsmethoden aus der Literatur. Dabei werden keine Kenntnisse der statistischen Verteilung der NLOS-Ausreißer vorausgesetzt. Eine vergleichbare Genauigkeit zu Standard-Verfahren wie z.B. dem Kleinste-Quadrate-Schätzer und dem EKF kann in LOS-Umgebungen erreicht werden.