Die vorliegende Dissertation behandelt Systeme zur automatischen Detektion und Klassifizierung. Es wird einerseits eine Reihe von anwendungsunabhängigen Aspekten des Entwurfs derartiger Systeme behandelt, andererseits wird die spezifische Anwendung der Unterwasserminensuche mittels der Auswertung von Synthetic Aperture Sonar (SAS) Bildern betrachtet. Ein neuartiges Resampling-Verfahren wird vorgeschlagen, welches die Lösung zweier fundamentaler Probleme des Entwurfs von Klassifizierungssystemen erlaubt: die Auswahl des Klassifikators und die Abschätzung der optimalen Dimension der Merkmalmenge. Das Verfahren schätzt sowohl die Wahrscheinlichkeitsverteilung der Missklassifikationsrate (oder eines anderen Gütemaßes des Klassifizierungssystems) in Abhängigkeit der Dimension der Merkmalmenge als auch die Wahrscheinlichkeitsverteilung der optimalen Dimension bei Vorgabe einer Missklassifikationsrate. Letzters erlaubt insbesondere die Abschätzung von Konfidenzintervallen hinsichtlich der optimalen Dimension der Merkmalmenge. Im Gegensatz zu bereits bekannten Verfahren wird keine Annahme hinsichtlich der Verteilungsfunktion der Merkmale benötigt. Basierend auf der Wahrscheinlichkeitsverteilung des Gütemaßes wird eine Methode zur Bewertung der Qualit¨at des Klassifikators vorgeschlagen. Das Verfahren erlaubt somit den Vergleich verschiedener Klassifikatoren ohne an eine vorgegebene Merkmalmenge gebunden zu sein. Es hebt sich hiermit von existierenden Verfahren ab. Desweiteren wird die Bestimmung der Merkmale, welche in der optimalen Menge enthaltenen sind betrachtet. Hierzu wird eine Erweiterung des Sequential Forward - sowie des Sequential Forward Floating-Auswahlverfahren vorgeschlagen, welches deren Limitierungen abschw¨acht und zu besseren Ergebnissen führt. Basierend auf den neuentwickelten Methoden wurde ein Verfahren zur automatischen Detektion und Klassifizierung von Unterwasserobjekten in SAS Bildern entwickelt. Es beinhaltet drei Schritte: Detektion, Merkmalextraktion und Klassifizierung. Zur Detektion von Objekten in Sonarbildern werden drei Segmentierungsalgorithmen verglichen: iterative conditional modes, min-cut/max-flow und active contours. Die Initialisierung der Segmentierungsalgorithmen hat signifikanten Einfluss auf das Ergebnis. Es werden daher neue Initialisierungsschemata, spezialisiert auf die vorliegende Anwendung, vorgeschlagen. Anschließend wird zu jedem Objekt eine umfangreiche Merkmalmenge extrahiert, welche sowohl geometrische als auch statistische Elemente beinhaltet. Diese werden derart gewählt, dass sie invariant unter ¨ Anderungen der Objektposition als auch unempfindlich gegen schlechte Segmentierungsergebnisse sind. Der Bestimmung der optimalen Merkmalmenge mittels der erweiterten Auswahlverfahren geht die Ermittlung des besten Klassifikators anhand des vorgeschlagenen Resampling- Verfahrens voraus. Hierbei stehen die Klassifikatoren k-nearest neighbor, Mahalanobis, lineare Diskriminantenanalyse und support vector machines zur Auswahl. Die vorgeschlagenen Methoden werden auf zwei Datenbanken realer SAS Bilder angewendet, welche eine Fläche von 57.000 Quadratmetern Meeresgrund mit mehr als 600 Minen unterschiedlichen Typs abbilden.