In den letzten Jahren gibt es ein erhöhtes Interesse an drahtlosen Ortungssystemen, die zuverlässige Schätzungen des Ortes eines mobilen Endgeräts (ME) liefern. Dies liegt vor allem an den bereits vorhandenen sowie den kurz vor der Einführung stehenden ortsabhängigen Diensten, wie z.B. intelligente Transportsysteme, Gelbe Seiten, ortsabhängige Gebührenzahlungen und andere, viel versprechende Dienstleistungen, deren Anwendung eine genaue Schätzung des Ortes des MEs erfordert. Bis heute sind eine Vielzahl an drahtlosen Ortungssystemen vorgeschlagen worden, die eine Ortsschätzung des MEs anbieten. Die viel versprechendsten Lösungen basieren auf dem globalen Navigations-Satellitensystem (GNSS) und dem zellularen Mobilfunknetz, da beide Systeme eine bereits existierende Infrastruktur ausnutzen. Üblicherweise stellen diese Systeme die Ortsschätzungen des MEs unabhängig voneinander zur Verfügung. Jedoch existieren Szenarien, in denen die Signale, die zwischen den Satelliten und dem ME ausgetauscht werden, blockiert werden. Beispiele hierfür sind ein ME, das sich in innerstädtischer Umgebung befindet, in der hohe Gebäude die freie Sicht zu den Satelliten versperren oder ein ME, das sich innerhalb eines Gebäudes befindet. In diesen Szenarien ist die Anzahl der von dem GNSS zur Verfügung gestellten Messwerten meist nicht ausreichend, um den Ort des MEs zu schätzen. Die Signale, die zwischen der Basisstation (BS) des zellularen Mobilfunknetzes und dem ME ausgetauscht werden, stehen praktisch in jedem Szenario zur Verfügung, jedoch können diese Signale nicht die gleiche Lokalisierungsgenauigkeit liefern, wie die Signale des GNSS. In innerstädtischen Umgebungen und innerhalb von Gebäuden werden diese Signale häufig an Hindernissen, wie z.B. Gebäuden, Bäumen oder Wänden reflektiert, so dass keine direkte Sichtverbindung (line-of-sight (LOS)) zwischen dem ME und der BS existiert. In diesem Fall erreicht das Signal des MEs die BS über einen indirekten Pfad, was in der Literatur als non-line-of-sight (NLOS) Ausbreitung bezeichnet wird. Die Fehler durch NLOS-Ausbreitung führen im Allgemeinen zu einer Verschlechterung der Lokalisierungsgenauigkeit, und sollten daher in den Lokalisierungsalgorithmen ber¨ucksichtigt werden. Die vorliegende Arbeit behandelt das Problem der Bestimmung des Ortes des ME unter Verwendung von Pseudoentfernungs-Messwerten (PE), welche das Global Positioning System (GPS) zur Verfügung stellt, sowie Umlaufzeit-Messwerten (ULZ) und Empfangsfeldstärke-Messwerten (EFS), welche das Global System for Mobile communications (GSM) zur Verfügung stellt. Die zugrunde liegenden Messwerte werden heutzutage von jedem handelsüblichen Mobiltelefon sowie GPS-Empfänger zur Verfügung gestellt. Die verschiedenen Messwerte werden effektiv miteinander kombiniert unter der Verwendung von Verfahren der statistischen Datenfusion, was im Folgenden als hybride Lokalisierung bezeichnet wird. Durch die Kombination von Messwerten ist es möglich, Ortsschötzungen des MEs zu erhalten, auch wenn die Anzahl der von GPS zur Verfügung gestellten PE Messwerten nicht ausreicht. Die hybriden Lokalisierungsalgorithmen sind so entworfen, dass eine gute Lokalisierungsgenauigkeit in Szenarien mit LOS Ausbreitungsbedingungen sowie in Szenarien, in denen die Ausbreitungsbedingungen zwischen LOS und NLOS wechseln können, erreicht werden kann. Weiterhin wird untersucht, inwiefern Messwerte über die GNSS Referenzzeit (GRZ) den bestehenden Uhrenfehler zwischen den Uhren der Satelliten und dem ME verringern und die Lokalisierungsgenauigkeit verbessern können. Um die hybriden Lokalisierungsalgorithmen analysieren zu können, wird ein Modell eingeführt, das das hybride Lokalisierungsszenario mathematisch beschreibt. Statistische Modelle, die die Bewegung des MEs sowie die Uhr des MEs beschreiben, werden eingeführt. Die Messwerte werden ebenfalls statistisch beschrieben und enthalten Modelle, die für LOS Ausbreitungsbedingungen gültig sind, sowie Modelle, die zwischen LOS und NLOS Ausbreitungsbedingungen wechseln können. In dieser Arbeit werden die folgendenen hybriden Lokalisierungsalgorithmen vorgeschlagen: • Nicht rekursive, hybride Lokalisierungsalgorithmen, die Abhängigkeiten zwischen zeitlich aufeinanderfolgenden Orten des MEs und zeitlich aufeinanderfolgenden Messwerten nicht berücksichtigen. • Rekursive, hybride Lokalisierungsalgorithmen, die Informationen über Schätzwerte des Ortes des MEs aus zeitlich vorangegangenen Schätzungen sowie Messwerte von vorherigen Zeitschritten in die aktuelle Schätzung mit einfließen lassen. • Rekursive, hybride Lokalisierungsalgorithmen mit adaptiver LOS/NLOS Detektion, die Informationen über Schätzwerte des Ortes des MEs aus zeitlich vorangegangenen Schätzungen sowie Messwerte von vorherigen Zeitschritten in die aktuelle Schätzung mit einfließen lassen, und darüber hinaus die aktuellen Ausbreitungsbedingungen schätzen. Die nicht rekursiven hybriden Lokalisierungsalgorithmen basieren auf dem Maximum Likelihood (ML) Prinzip. Für LOS Ausbreitungsbedingungen sowie für Ausbreitungsbedingungen, die zwischen LOS und NLOS wechseln können, werden die ML Schätzer hergeleitet. Die ML Schätzwerte werden numerisch berechnet unter der Verwendung von suboptimalen Algorithmen. Um die theoretisch bestmögliche Performanz der nicht rekursiven Schätzer zu bestimmen, werden die Cramér-Rao Schranken (CRS) für die hybride Lokalisierung bestimmt. Die Ergebnisse mit simulierten Daten sowie Daten, die aus Feldversuchen stammen, haben gezeigt, dass durch die zusätzliche Berücksichtigung von PE Messwerten von GPS und GRZ Messwerten von GSM die Lokalisierungsgenauigkeit erheblich verbessert werden kann im Vergleich zu Algorithmen, die nur ULZ und EFS Messwerte von GSM auswerten. Die rekursiven hybriden Lokalisierungsalgorithmen, die in dieser Arbeit entwickelt werden, beruhen auf Kalman Filter (KF)-basierten Schätzern und Partikelfilter (PF)- basierten Schätzern. Es werden verschiedene Schätzer für LOS Ausbreitungsbedingungen, sowie für Ausbreitungsbedingungen, die zwischen LOS und NLOS wechseln können, vorgeschlagen. Die PF-basierten Schätzer berücksichtigen zusätzlich Straßenkarteninformationen, um die Bewegung des MEs auf Straßen zu beschränken und somit die Lokalisierungsgenauigkeit weiter zu verbessern. Die a posteriori CRS (PCRS) für die hybride Lokalisierung wird hergeleitet, um die theoretisch bestmögliche Performanz der rekursiven Schätzer zu bestimmen. Es wird gezeigt, dass durch die Berücksichtigung von Straßenkarteninformationen in den Schätzern die Lokalisierungsgenauigkeit erheblich verbessert werden kann. Des Weiteren wird gezeigt, dass die rekursiven hybriden Lokalisierungsalgorithmen eine höhere Lokalisierungsgenauigkeit liefern als die nicht rekursiven hybriden Lokalisierungsalgorithmen. Die rekursiven hybriden Lokalisierungsalgorithmen mit adaptiver LOS/NLOS Detektion, die in dieser Arbeit vorgeschlagen werden, basieren auf einem interacing multiple model Algorithmus mit erweiterten KF Schätzern (IMM-EKF), sowie zwei multiple model PF-basierten Schätzer. Die multiple model PF-basierten Schätzer berücksichtigen zusätzlich Straßenkarteninformationen, um die Lokalisierungsgenauigkeit weiter zu verbessern. Eine neue Methode wird vorgeschlagen, um die PCRS für rekursive Schätzer mit adaptiver LOS/NLOS Detektion zu bestimmen. Es wird gezeigt, dass multiple model PF-basierten Schätzer mit Straßenkarteninformationen im Allgemeinen eine höhere Lokalisierungsgenauigkeit aufweisen als das IMM-EKF. Es wird weiterhin gezeigt, dass das IMM-EKF den besten Kompromiss zwischen Lokalisierungsgenauigkeit und Komplexität erzielt, solange keine Straßenkarteninformation in den multiple model PF-basierten Schätzern berücksichtigt wird.