Die Reduktion von Versuchsträgern ist eine der wichtigsten Anforderung zur Steigerung der Kosteneffizienz im Applikationsprozess (Kalibrierprozess) von Motorsteuergeräten (ECU). Durch Bereitstellung virtueller Fahrzeuge kann die Applikation der ECU modellbasiert erfolgen. Die Erstellung der einzelnen Modelle kann sich als schwierig und zeitaufwendig erweisen, wodurch sich datenbasierte Modellierungsmethoden als vielversprechende Alternative anbieten. Daten-basierte Modelle sind in der Lage, Nichtlinearitäten anhand der Systemvermessung zu berücksichtigen, wodurch erfahrungsgemäß exakte Modelle erstellt werden können. In Kombination mit einer autmatisierten Systemvermessung kann die datenbasierte Modellierung zu einer signifikanten Beschleunigung des Applikationsprozesses führen. Weiterhin ermöglicht die schnelle Simulation dieser Modelle eine Implementierung in eine Echtzeit Simulationsumgebung, wie Hardware-in-the-Loop (HiL) Systeme, und somit eine modellbasierte Applikation der zugehöhrigen Steuergerätefunktionen an diesen Systemen. Die Herausforderung dieser Modellbildung besteht in der Erzeugung angemessener Daten, insbesondere bei dynamischen Systemen. Die Versuchsplanung zur Erzeugung angemessener Daten stellt sich als schwierig heraus, insbesondere da Systemgrenzen und zulässige Anregungsfrequenzen über das System nicht vorhanden sind. Bei der Identifikation dynamischer Systeme ist es somit die Herausforderung, inkonsistente Daten zu handhaben und dennoch ein global valides Modell zu erzeugen. Eine weitere Anforderung im automotiven Zusammenhang besteht im Auftreten von Betriebsartenumschaltungen des Motorsteuergerätes, wodurch neben Nichtlinearitäten auch Änderungen des physikalischen Systems auftreten können. Auch diese Effekte müssen berücksichtigt werden. In dieser Arbeit wird ein Modellierungsansatz verwendet, der sich Lokale Gaußprozess Regression (LGPR) nennt. Eine Erweiterung dieses Ansatzes ermöglicht eine flexible und iterative Modellbildung, um robuste und valide dynamische Modelle zu erzeugen. Die angepasste LGPR kann für die ECU Applikation von dynamischen automotiven Systemen eingesetzt werden, welche kritisch in Bezug auf die Anregung sind. Unter Vewendung von LGPR ist es möglich, das System iterativ zu vermessen während die relevanten Zustandsraumregionen Schritt für Schritt erfasst werden und dadruch das Modell kontinuierlich verbessert wird. Die Ergebnisse zeigen, dass LGPR vorteilhaft für die iterative Modellbildung dynamischer Systeme ist. Im Vergleich zur Standard Gaußprozess Regression (GPR) führt LGPR zu besseren Ergebnissen hinsichtlich variablen Systemdynamiken.