Zukünftige intelligente Fahrerassistenzsysteme (FAS) und autonome Fahrfunktionen werden darauf abzielen, auch mit komplexen Autobahnszenarien und innerstädtischen Verkehr umgehen zu können. Für solche Systeme ist es eine Grundvoraussetzung einschätzen zu können, wie sich eine vorgefundene Szene wahrscheinlich entwickeln wird. Die Situationserkennung beschäftigt sich damit abstrakte Verhaltensmuster der beteiligten Verkehrsteilnehmer vorherzusagen und ist damit ein entscheidender Teil der Szenenvorhersage. Die Ausweitung des Anwendungsbereiches zukünftiger FAS und autonomer Fahrfunktionen stellt ein Problem aufgrund der Variabilität der vorgefundenen Szenen, der Anwesenheit von mehreren, interagierenden Verkehrsteilnehmern und die damit einhergehende große Anzahl von möglichen Situationen für aktuell verfügbare Situationserkennungstechniken dar. Die vorgelegte Arbeit befasst sich mit Ansätzen, diese Probleme zu lösen. Ein neuartiger, diskriminativer Manövererkennungsansatz bietet die Möglichkeit, auf unterschiedliche Verkehrsszenen angewendet zu werden. Die Idee des Ansatzes basiert darauf, wiederverwendbare Teile des Klassifikationssystems online zu kombinieren. Evaluationen auf realen Verkehrsszenarien zeigen die Vorteile des vorgeschlagenen Ansatzes. Ein neuartiger, Situationserkennungsansatz bietet die Möglichkeit, für eine Szene mit mehreren, interagierenden Verkehrsteilnehmern eine probabilistische Situationsschätzung vorzunehmen. Dabei ist der Ansatz auf keinerlei Unabhängigkeitsannahme angewiesen und erlaubt es trotzdem, mögliche Manöver jedes Verkehrsteilnehmers einzeln zu schätzen. Die Idee dieses Ansatzes basiert darauf, die kompletten bedingten Wahrscheinlichkeitsverteilungen über die Manöver jedes Verkehrsteilnehmers zu schätzen. Evaluationen auf realen Verkehrsszenarien bestätigen die Anwendbarkeit des vorgestellten Ansatzes. Die Probleme, die mit der hohen Anzahl von möglichen Situationen einhergehen, werden auf zwei Arten in dieser Arbeit angegangen. Beide vorgestellten Ansätze erlauben es bereits parametrisierte Situationsklassifikatoren wiederzuverwenden und in neuen Kontexten zu kombinieren. Das reduziert die Anzahl an benötigten Klassifkationsmodellen, da nicht jede vorgefundene Szene ein spezialisiertes Klassifikationsmodell benötigt. Darüber hinaus bietet eine Situationshypothesenselektion die Möglichkeit, effizient den aufgespannten Situationsraum zu verkleinern. Diese Maßnahme reduziert den rechnerischen Aufwand, und die verringerte Anzahl von Situationshypothesen entlastet nachfolgende Systeme