Daten, die mit dem akustischen Doppler Velocimeter (ADV) aufgenommen werden, sind anfällig für hohe Messunsicherheiten. In dieser Thesis werden Datenanalysemethoden aus der Fachliteratur, die zur Reduzierung von Fehlereffekten entwickelt wurden, geprüft. Anschließend werden drei Datenanalysemethoden in der Programmiersprache Python implementiert. Die Reduzierung der Messunsicherheit wird dann durch die Kategorisierung statistischer Parameter und durch die Analyse von Zeitreihen und Kolmogorov Energiespektren bei 160 ADV-Messungen in turbulenter Strömung bewertet. Die Ergebnisse zeigen, dass von den untersuchten Datenanalysemethoden das Kerndichteschätzer-Despiking in Kombination mit dem Butterworth Tiefpassfilter die vielversprechendste Methode zur Reduzierung der Messunsicherheit ist. Darüber hinaus wird ein Verfahren zur Ermittlung einer optimalen Abtastdauer für ADV-Messungen realisiert. Die Umsetzung veranschaulicht, dass statistische Äquivalenztests geeignet sind, um die optimale Abtastdauer zu finden. Jedoch muss das Vorgehen noch weiterentwickelt werden, um auch in Bezug auf höhere statistische Momente Signifikanz zu schaffen. Schließlich wird ein systematischer Arbeitsablauf für die Handhabung von ADV-Daten vorgeschlagen.