Diese Doktorarbeit thematisiert das Problem der Ob jekt-Entdeckung und -Klassifizierung für mobile Plattformen wie Autos oder Roboter mit Hilfe von Ultraschall-Sensorgruppen. Hierbei wird ein räumlich breites Anregungssignal ausgesendet und von einer zwei-dimensionalen Sensorgruppe empfangen. Mit Hilfe von adaptiven Beamforming-Verfahren werden die zurück reflektierten Echos dann verarbeitet und können in einem drei-dimensionalen Bild der Szene dargestellt werden. Zunächst beschreiben wir einige Entwicklungsprinzipien, die sich aus dem Betrieb in von Menschenhand geschaffener Umgebung sowie physikalischen Bedingungen ergeben, so z.B. durch die geringe Schallgeschwindigkeit in Luft. Darüber hinaus stellen wir ein Kalibrierungsverfahren vor, welches insbesondere für Ultraschall-Sensorgruppen eine parametrische Korrektur von Positionsfehlern der Sensoren ermöglicht. Bisherige Verfahren benötigen hierzu entweder viele Kalibrierungsquellen oder können Positionsfehler nur nicht-parametrisch und damit manchmal unzureichend korrigieren. Aufgrund des hohen bzw. steigenden Kostendrucks in der Automobil- und Robotikbranche ist hierbei besonders wichtig, ein solches System mit hoher Leistungsfähigkeit, aber nur einer geringen Anzahl von Sensoren betreiben zu können. Daher werden in dieser Arbeit Verfahren dargestellt, die es erlauben, schwach besetze Sensorgruppen zu entwerfen, die eine hohe räumliche Auflösung ermöglichen, dabei jedoch auch gute Rauschunterdrückung aufweisen. Dadurch können Objekte verlässlich und ausreichend genau dargestellt werden und heben sich gut vom Hintergrund ab. Die entwickelten Methoden basieren auf der Theorie minimaler Redundanz, die in dieser Arbeit für den zwei-dimensionalen Fall angewandt und erweitert wird. In einem weiteren Teil der Arbeit beschäftigen wir uns mit der Detektion von Personen mit Hilfe dieser Ultraschall-Sensorgruppen. Wir zeigen, dass sich aus den verarbeiteten Echos einfache geometrische Merkmalen extrahieren lassen, anhand derer Personen mit einer Genauigkeit von knapp 97 Prozent von anderen Objekten unterschieden werden können. Die dazu notwendigen Klassifikatoren basieren auf linearer und quadratischer Diskriminantenanalyse und besitzen daher geringe Komplexität. Darüber hinaus ist es auch anhand eines einzelnen Bildes möglich, die Haltung einer Person genauer zu klassifizieren. So entwickeln wir Klassifikatoren, die anhand einer Kombination von geometrischen und statistischen Merkmalen erkennen, ob eine Person läuft oder steht. Die hierbei erreichte Genauigkeit beträgt mehr als 87 Prozent. Die entwickelten Methode werden nicht nur in Simulationen angewendet und bewertet, sondern auch auf reale Messdaten angewandt. Die Daten wurden mit Hilfe mehrerer Prototypen von akustischen Sensorgruppen aufgenommen. Dabei wurden sowohl innerhalb als auch außerhalb von Gebäuden verschiedene Szenarien aufgenommen.