Um Rennen zu gewinnen, streben Motorsport-Teams kontinuierlich danach, das performanteste Fahrzeug zu entwickeln. Diese Optimierung ist jedoch eine hochkomplexe Aufgabe, da das Ziel, die niedrigste Rundenzeit zu erreichen, mit vielfältigen Randbedingungen einhergeht. Das Fahrzeug muss beispielsweise für verschiedene Strecken und Bedingungen spezifisch angepasst werden, während das Reglement der jeweiligen Rennserie einzuhalten ist. Während die Fahrzeugdynamik heutzutage gut verstanden und modelliert ist, ist eine direkte Optimierung des Fahrzeugbeschleunigungspotentials oftmals nur von begrenztem Nutzen, da eine solche Minimierung der theoretischen Rundenzeit den Einfluss des menschlichen Fahrers vernachlässigt. Da der Fahrer eine wichtige Rolle im Gesamtfahrzeugsystem spielt, muss das Fahrzeug auf den individuellen Fahrstil des jeweiligen Rennfahrers abgestimmt werden, um eine optimale Performance zu erreichen. Daher verwenden viele professionelle Motorsport-Teams heutzutage moderne Human-Driver-in-the-Loop (HDiL)-Simulatoren, welche es erlauben, veränderte Komponenten und Systeme auf verschiedensten Strecken effizient zu testen. Die Simulationen liefern direkte Einblicke in das aus Fahrer, Fahrzeug und Strecke bestehende Gesamtsystem und ermöglichen gleichzeitig eine direkte Rückmeldung durch den menschlichen Fahrer. Während diese direkte Einbindung des Fahrers in den Fahrzeugentwicklungsprozess sinnvoll für einzelne Tests ist, ist sie auf Grund langer Ausführungszeiten und einem hohen Ressourcenbedarf nur begrenzt für umfangreiche Rundenzeitoptimierungen nutzbar. Diesem Problem könnte mit der Entwicklung eines robusten und menschenähnlichen Rennfahrermodells, welches in der Lage ist, individuelle Fahrstile innerhalb virtueller Fahrzeugsimulationen zu imitieren, begegnet werden. Auf diese Weise wäre es möglich, die Anzahl der Fahrzeugsimulationen effektiv zu steigern. Gleichzeitig ist die Modellierung von Rennfahrerverhalten jedoch eine hochkomplexe Aufgabe: Das Fahrzeug wird zu jeder Zeit an seinen Beschleunigungsgrenzen bewegt, wodurch es sich häufig nahe an oder sogar in instabilen Fahrzuständen befindet und eine robuste Regelung über die Fahreraktionen erfordert. Weiterhin zeigt jeder Fahrer sogar in einer deterministischen Simulationsumgebung ein gewisses Maß an Variabilität. Diese Varianz resultiert sowohl aus der bewussten Anpassung der Fahrstrategie, um die Performance zu optimieren und Fehler zu korrigieren, als auch aus natürlicher, menschlicher Ungenauigkeit und muss während der Modellierung berücksichtigt werden. Zuletzt weisen selbst Spitzenklassen-Rennfahrer individuelle Fahrstile und Präferenzen für bestimmte Fahrzeugeinstellungen auf, obwohl sie eine fast identische Performance auf der Strecke erreichen. Mit dem Ziel, den Fahrzeugentwicklungsprozess zu unterstützen und den menschlichen Fahrer besser zu verstehen, behandelt diese Arbeit verschiedene Aspekte der Analyse und Modellierung von Rennfahrerverhalten. Nach einer Einleitung, welche die generelle Problemstellung, bisherige Arbeiten sowie wichtige Grundlagen beschreibt, wird Probabilistic Modeling of Driver Behavior (ProMoD) als ein neuer Ansatz zur Modellierung von Rennfahrerverhalten vorgestellt. In diesem Framework wird, inspiriert von Wissen über Rennfahrerverhalten und von Methoden des autonomen Fahrens, die Aufgabe des Fahrens in verschiedene Module unterteilt. Die menschliche Varianz wird in einer Verteilung von Fahrlinien mit Hilfe von Probabilistic Movement Primitives (ProMPs) codiert und Klothoiden werden verwendet, um einen Pfad für eine kurze Zeitspanne vorauszuplanen. Diese Pfadplanungsinformationen, kombiniert mit Wahrnehmungsinformationen des Fahrers, werden nachfolgend verwendet, um ein rekurrentes neuronales Netz mit Hilfe von Supervised Learning zu trainieren. Das resultierende probabilistische Fahrermodell wird nachfolgend ausführlich in einer vereinfachten Rennfahrzeugsimulation von OpenAI Gym getestet und gebenchmarkt. Hierbei zeigt sich, dass ProMoD menschenähnliche Fahreraktionen ausführt, während es gleichzeitig deutlich robuster ist als direktes End-to-End Learning oder eine adaptierte Version der Dataset Aggregation method (DAgger). Der zweite Teil dieser Arbeit konzentriert sich auf die Entwicklung einer Methode zur objektiven Analyse von individuellen Rennfahrstilen sowie auf die Erweiterung von ProMoD für einen professionellen Motorsport HDiL-Simulator, beides basierend auf Daten von professionellen Rennfahrern. Der hierbei entwickelte Driver Identification and Metric Ranking Algorithm (DIMRA) berechnet ein umfassendes Set von rundenbasierten Metriken, welche den Fahrstil beschreiben und größtenteils direkt auf Fahreraktionen basieren. Um eine gute Interpretierbarkeit sowie einfache Verwendbarkeit zu gewährleisten, nutzt DIMRA Sequential Backward Selection (SBS) kombiniert mit k-medoids-Clustering, sodass die Anzahl der Metriken auf ein notwendiges Minimum reduziert wird. Die resultierenden, rundenbasierten Metriksets erlauben eine lineare Separierbarkeit verschiedener Fahrstile mit einer Genauigkeit von bis zu 98% und zeigen eine Übertragbarkeit von Simulations- auf echte Streckendaten. Weiterhin wird das zuvor vorgestellte ProMoD Framework deutlich erweitert und für eine realitätsnahe professionelle Motorsportsimulationsumgebung angepasst. Neben der Verwendung von einer neuen, distanzbasierten ProMP-Darstellung und einer Validierung von Fahrliniensamples wird der vorherige "Behavioral Cloning"-Ansatz angepasst, um ein Divergieren auf Grund des bekannten Problems von "Compounding Errors" zu verhindern. Das resultierende Fahrermodell ist nun in der Lage, vollständige Runden mit einer kompetitiven Rundenzeit zu fahren, während es ein menschenähnliches Verhalten bei den Fahreraktionen und der Verwendung von Fahrerassistenzsystemen aufweist. Weiterhin kann gezeigt werden, dass ProMoD sogar auf gespiegelten Strecken und mit erheblich reduzierter Reifenhaftung in der Lage ist, die erwarteten Rundenzeiten näherungsweise zu erreichen. Der dritte Teil dieser Arbeit behandelt die Einführung von Generalisierungs- und Lernfähigkeiten für das vorgestellte Fahrermodell. Hierfür werden zu Beginn grundlegende Lern- und Adaptierungstechniken von Rennfahrern aus vorhandenen Arbeiten identifiziert und zusätzlich mit einem Interview eines professionellen Renningenieurs untermauert. Basierend auf den hierbei gewonnenen Erkenntnissen werden zwei Methoden entwickelt, um die Menschenähnlichkeit von ProMoD weiter zu verbessern: Durch die Einführung eines Ansatzes zur Schätzung von Fahrlinienverteilungen für unbekannte Strecken erhält das Fahrermodell die Fähigkeit auch auf neuen Strecken zu fahren und näherungsweise kompetitive Rundenzeiten zu erreichen. Weiterhin wird ein Adaptierungsprozess vorgestellt, welcher es ProMoD erlaubt, durch in vorherigen Runden gesammelte Erfahrungen sein Verhalten zu adaptieren. Eine Auswertung dieses Ansatzes auf dem professionellen Rennsimulator zeigt, dass das Fahrermodell nun in der Lage ist, aus Fehlern aus vergangenen Runden zu lernen und zuvor nicht zu Ende gefahrene Runden vervollständigen kann, während es gleichzeitig seine Performance leicht steigert. Zusammengefasst tragen die in dieser Arbeit gewonnenen Erkenntnisse zu einem besseren Verständnis des menschlichen Fahrers bei und ebnen den Weg für eine verbesserte Rundenzeitoptimierung unter Berücksichtigung von individuellen Rennfahrercharakteristika. Weiterhin kann der moderne Fahrzeugentwicklungsprozess und zukünftiges autonomes Rennfahren durch neue Methoden unterstützt werden. Neben diesem Motorsportkontext kann ein solches Fahrermodell, welches in der Lage ist, menschenähnliche Traction Control (TC)-Eingriffe zu erzeugen, auch für die Entwicklung von Fahrerassistenzsystemen nützlich sein. Auf Grund seines modularen Aufbaus kann ProMoD zukünftig auf zahlreiche Weisen erweitert werden. Zusätzliche Adaptierungsmethoden und angepasste Feature-Definitionen können eingeführt werden, um das Lernen aus Erfahrungen weiter zu verbessern und die bereits vorhandene Menschenähnlichkeit weiter zu steigern. Weiterhin könnte eine direkte Berücksichtigung von Vorwissen, wie beispielsweise die Kenntnis der verwendeten Fahrzeugkonfiguration, den Lernprozess weiter verbessern. Außerdem wäre es möglich, das neuronale Netz, welches den internen Entscheidungsprozess des Rennfahrers abbildet, unter anderem mit Hilfe von Reinforcement Learning-Techniken direkt zu adaptieren. Abschließend könnte das entwickelte Framework auch in weiteren, ähnlich herausfordernden Fahrzeugsteuerungsanwendungen, wie dem Driften eines Autos, dem Manövrieren von Drohnen oder dem Fliegen von Flugzeugen Anwendung finden.