Statistische Robustheit und kollaborative Inferenz in einem verteilten Sensornetz sind zwei anspruchsvolle Herausforderungen, die an viele moderne Signalverarbeitungsanwendungen gestellt werden. Diese Dissertation hat zum Ziel, gemeinsame Lösungen für diese Aufgaben zu entwickeln und generische Algorithmen bereitzustellen, die auf eine Vielzahl von Problemen aus der Praxis anwendbar sind.

Der erste Teil der Arbeit befasst sich mit der sequentiellen Detektion -- einem Teilgebiet der Detektionstheorie, das sich auf die Entscheidungsfindung basierend auf einer möglichst geringen Anzahl von Messwerten konzentriert. Nach der Betrachtung einiger grundlegender Konzepte des statistischen Hypothesentests wird eine allgemeine Formulierung des sequentiellen Konsens+Innovationen Likelihood-Quotienten-Tests (Consensus+Innovations Sequential Probability Ratio Tests) zum sequentiellen Testen binärer Hypothesen in verteilten Netzen hergeleitet. In einem nächsten Schritt werden mehrere robuste Versionen des Algorithmus' entwickelt, die auf zwei verschiedenen Robustheitsparadigmen basieren. Die Funktionalität der vorgestellten Detektoren wird in Simulationen verifiziert und ihre Leistung wird unter verschiedenen Netzwerkbedingungen sowie Ausreißerkonzentrationen untersucht. Anschließend wird das Konzept auf mehrere Hypothesen ausgedehnt, indem es mit dem sequentiellen Matrix-Likelihood-Quotienten-Test (Matrix Sequential Probability Ratio Test) fusioniert wird. Ferner werden robuste Versionen des resultierenden Algorithmus' entwickelt. Die Leistungsfähigkeit der vorgeschlagenen Algorithmen wird in Simulationen verifiziert und evaluiert. Schließlich wird die Dempster-Shafer Evidenztheorie erstmals in der Literatur auf verteilte sequentielle Hypothesentests angewendet. Nach der Vorstellung einer neuartigen Methode für die Zuweisung von Wahrscheinlichkeitsmassen (Basic Probability Assignment) wird ein evidenzbasierter sequentieller Detektor für den Einsatz in verteilten Sensornetzen entwickelt und seine Leistungsfähigkeit in Simulationen verifiziert.

Der zweite Teil der Dissertation besch\"{a}ftigt sich mit der Mehrziel-Verfolgung in verteilten Sensornetzen. Das Problem der Datenzuordnung wird diskutiert und die betrachteten Zustandsraum- und Messmodelle werden eingeführt. Als Nächstes werden das Konzept der zufälligen endlichen Mengen sowie die Wahrscheinlichkeitshypothesendichte-Filterung (Probability Hypothesis Density Filtering) beleuchtet. Anschließend wird eine neuartige verteilte Partikel-Filter Implementierung des Wahrscheinlichkeitshypothesendichte-Filters entwickelt, die auf einem zweistufigen Kommunikationsschema basiert. Es wird sowohl eine robuste als auch eine zentralisierte Version des Algorithmus' hergeleitet. Darüber hinaus werden Rechenkomplexität und Kommunikationslast des verteilten sowie des zentralen Verfolgungsalgorithmus' analysiert. Schließlich werden Simulationen durchgeführt, in denen die vorgeschlagenen Methoden mit einem existierenden verteilten Verfolgungsalgorithmus verglichen werden. Zu diesem Zweck wird eine verteilte Version der A-posteriori-Cramér-Rao-Schranke (Posterior Cramér-Rao Lower Bound) entwickelt, die als Leistungsgrenze dient. Die Ergebnisse zeigen, dass die vorgestellten Algorithmen unter verschiedenen Umgebungsbedingungen gut funktionieren und die Konkurrenz übertreffen.