In Deutschland, wie auch in vielen anderen Ländern, ist die Energiewende ein zentrales politisches und gesellschaftliches Ziel, um dem Klimawandel entgegenzuwirken. Um dieses Ziel zu erreichen, muss die Abhängigkeit von fossilen Brennstoffen reduziert und ein Übergang zu einer nachhaltigen Energiewirtschaft gefördert werden. Dieser Paradigmenwechsel hin zu erneuerbaren Energien, dezentraler Stromversorgung und Elektrifizierung verschiedener Sektoren hat jedoch erhebliche Auswirkungen auf die Struktur und Belastung der Verteilnetze. Die Integration von dezentralen, volatilen Energiequellen wie Solar- und Windkraftanlagen, führt zu einem örtlich und zeitlich schwankenden Stromangebot. Hinzu kommen neue Verbraucher wie Elektroautos und Wärmepumpen, welche die unteren Spannungsebenen zusätzlich stark belasten. Die Verteilnetzbettreiber stehen nun vor der Aufgabe die Stromversorgung, trotz stark variabler Einspeisung und Last, stabil zu halten. Um die Zuverlässigkeit und die Effizienz der Stromversorgung weiterhin sicherzustellen, ist der Einsatz von Technologien zur Echtzeitüberwachung und -analyse des Netzzustands von entscheidender Bedeutung. Durch den Einsatz von innovativen Monitoringapplikationen, welche frühzeitig vor kritischen Systemzuständen warnen, und automatisierten Regelungsapplikationen können die bestehenden Netze meist für einen längeren Zeitraum ohne einen sofortigen Netzausbau sicher weiter betrieben werden. In dieser Arbeit wird eine Zustandsschätzungsmethode für Mittelspannungsnetze entwickelt. Ziel ist es, den aktuellen Zustand des Stromsystems damit möglichst genau einzuschätzen. Hierbei liegt der Fokus auf der Erkennung von Grenzwertverletzungen, so wie von Spannungsbändern oder thermischen Grenzsströmen, und auf der Modellierung von Unsicherheiten. Da Mittelspannungsnetze meist nur geringfügig mit Messinfrastruktur ausgestattet sind, werden zusätzliche, meist nur historisch verfügbare Daten als Hintergrundinformation für die Zustandsschätzung verwendet. Dieser Input weist im Vergleich zu den präzisen Echtzeitmessungen deutlich höhere Unsicherheiten auf. Daher ist es in der Mittelspannung besonders wichtig, Zustandsschätzungsmethoden einzusetzen, die diese Unsicherheiten auch in der Output-Bewertung berücksichtigen. Basierend auf dieser Anforderung wird ein probabilistisches Zustandsschätzungsverfahren entwickelt, das für praxisrelevante Messverfügbarkeitsszenarien geeignet ist. Der Basisalgorithmus der entwickelten Zustandsschätzungsmethode beruht auf dem Konzept von Bayes. Dieser Algorithmus wurde in der vorliegenden Arbeit durch entsprechende Module erweitert, um die analysierten Anforderungen an Zustandsschätzungsmethoden für Mittelspannungsnetze zu erfüllen. Diese Erweiterungen beinhalten eine Auswertung der Wahrscheinlichkeitsverteilung hinsichtlich kritischen Systemzuständen sowie eine Parametrierung der statistischen Eigenschaften von Lasten mittels der zur Verfügung stehenden Messinformationen. Für die Auswertung werden Jahressimulationen eines repräsentativen deutschen Mittelspannungsnetzes herangezogen. Mit der entwickelten Methode ist es möglich, die Wahrscheinlichkeit für kritische Systemzustände abzuschätzen. Die Abschätzung erfolgt in weniger als einer Sekunde und die kritischen Systemzustände lassen sich mit einer Erkennungsrate von über 90 % zuverlässig identifizieren. Die Methode beinhaltet zudem eine Klassifizierung und Ausgabe von Warn- und Alarmstufen, welche frühzeitig vor Engpässen im Netz warnen. Um praktikabel für den Feldeinsatz zu sein, wird besonderer Wert auf eine realistische Annahme der in Mittelspannungsnetzen zeitlich verfügbaren Inputdaten gelegt.