In der Luftfahrt wird stets nach einem sicheren, effizienten und nachhaltigen Betrieb von Luftfahrzeugen gestrebt. Unterstützt wird dieser durch das Wissen um die Gesundheit der im Betrieb befindlichen Systeme, was eine ökonomische Wartung und Instandhaltung sowie Nachrüstung erlaubt. Um die Sicherheitskriterien für den Flugbetrieb zu erfüllen, ist eine zuverlässige Bewertung notwendig. Andererseits ist eine hohe Genauigkeit der Bewertungsmethoden erforderlich. Dadurch wird sichergestellt, dass technische Änderungen, die sich auch nur geringfügig auf die Gesundheit des Flugzeugs auswirken, wie beispielsweise Haifischhaut, als signifikant eingestuft werden können. Wenn solche Modifikationen flottenweit und gezielt eingesetzt werden, kann ihr Potential besser ausgenutzt werden. Um die Anforderung einer hohen Genauigkeit zu erfüllen, werden im Kontext der Prognostik und des Gesundheitsmanagements maschinelle Lernverfahren eingesetzt. Die Sicherheitskritikalität von Luftfahrtsystemen manifestiert allerdings den Gebrauch zuverlässiger und nachvollziehbarer Methoden, wie der physikalischen Modellbildung. Folglich bietet sich die Kombination der beiden Ansätze zu einem hybriden Modell an, was einen eigenen Forschungszweig eröffnet und die jeweiligen Vorteile zusammenführt. In dieser Arbeit wird das hybride Modell zur Schätzung und Vorhersage der Systemzustände eines Luftfahrzeugs betrachtet. Dabei werden den Zuständen zeitvariante Parameter zugeordnet, die perspektivisch eine Degradation und Erholung im Lebenszyklus der betrachteten Systeme abbilden können. Vorausgesetzt wird, dass die Kenntnis über die Parameter das Gesundheitsmanagement elementar stützt. Die bisherigen Ansätze zur hybriden Modellbildung eignen sich jedoch nicht. Daher wird in dieser Arbeit ein neues hybrides Modell entwickelt. Die Neuentwicklung zeichnet sich durch eine Modellstruktur geplanter Parameter aus, die mit einem rekursiven Filterverfahren identifiziert werden. Dieser Ansatz erlaubt die Erweiterung eines physikalischen Modells durch ein datengetriebenes, das künstliche neuronale Netzwerk. Darüber hinaus werden für die Entwicklung Anforderungen im Bereich der Initialisierung, Generalisierung, Interpretation und Adaption definiert. Das entwickelte hybride Modell erlaubt schrittweises Lernen, die Berücksichtigung von Messrauschen sowie eine gemeinsame Schätzung der beiden beteiligten Modelle. Neben den dynamischen Zuständen werden somit die physikalischen Parameter und Gewichte des künstlichen neuronalen Netzes als Zustände definiert, was eine gleichzeitige Anpassung erlaubt. Nichtlinearitäten werden mit der Wahl des modifizierten Unscented Kalman Filters aufgefangen, dessen Stabilität zusätzlich durch die Begrenzung ausgewählter Systemzustände erhöht wird. Zur Bewertung des Ansatzes werden ein unbemanntes Luftfahrzeug als Versuchsplattform ausgewählt und eine Simulationsumgebung entwickelt. Mit der Durchführung von Flugversuchen und Flugsimulationen wird eine Datenbasis aufgebaut, die eine Abstraktion von Degradations- und Erholungseffekten beinhaltet. In vier Testserien wird das Luftfahrzeug unter Schätzung der Systemzustände und ausgewählter Parameter untersucht, wobei das physikalische Modell und die verwendete Datenbasis Variationen enthalten. Im Detail wird das unmodifizierte und aerodynamisch modifizierte Luftfahrzeug betrachtet, dessen Hauptflügelfläche technisch erweitert oder dessen Parametrierung innerhalb der Simulationsumgebung verändert wird. Der Ansatz zur hybriden Modellbildung erfüllt die definierten Anforderungen und ermöglicht eine Schätzung und Vorhersage aerodynamischer Degradation und Erholung. Allerdings werden zwei Dilemmata festgestellt, die zum einen die hybride Modellstruktur und zum anderen den Lernalgorithmus, das Filterverfahren, betreffen. Die offene hybride Modellstruktur beinhaltet ein künstliches neuronales Netz, dessen Gewichtung eine hohe Anpassungsfähigkeit an die betrachtete Datenbasis ermöglicht, die Generalisierbarkeit des Modells jedoch verringern kann. Die anwendungsspezifische Initialisierung der Kovarianzmatrizen des Filterverfahrens ermöglicht ebenfalls eine hohe Anpassungsfähigkeit, diese kann sich aber negativ auf die Filterqualität auswirken, sodass Anomalien innerhalb der Datenbasis nicht mehr sachgemäß erkannt und getrennt werden. Abschließend wird der neue Ansatz zur hybriden Modellbildung im Kontext künstlicher und natürlicher Intelligenz diskutiert. Im Zuge dessen wird die maschinell erlernte Abbildung dem physikalisch erfahrbaren Systemwissen gegenübergestellt. Wesentliche Beiträge dieser Arbeit bestehen in der Erweiterung eines physikalischen Modells durch ein künstliches neuronales Netz, das rekursiv und gleichzeitig angepasst wird. Für weiterführende Forschungen wird die Erweiterung physikalischen Wissens unter Verwendung künstlicher Intelligenz empfohlen, wobei beliebige dynamische Systeme betrachtet werden können.