Diese Arbeit untersucht den Einsatz von tragbaren Sensoren zur Erkennung menschlicher Aktivitäten. Die Aktivitiät des Benutzers ist ein Beispiel von Kontext-Information -- andere Beispiele sind der Aufenthaltsort des Benutzers, oder der Zustand seiner Umgebung. Die Erkennung von Kontext ermöglicht es Applikationen, sich an die Situation des Benutzers anzupassen. In dieser Arbeit verwenden wir tragbare Sensoren -- hauptsächlich Beschleunigungssensoren -- um menschliche Aktivitäten aufzunehmen, zu modellieren und zu erkennen. Der Einsatz von tragbaren Sensoren ermöglicht eine kontinuierliche Aufnahme, unabhängig von externer Infrastruktur. Für die automatische Erkennung von Aktivitäten existiert eine Vielzahl von Einsatzfeldern, beispielsweise im Gesundheitswesen, bei der Altersfürsorge, im Fitness-Bereich, oder im Unterhaltungsbereich. In dieser Arbeit konzentrieren wir uns auf zwei spezielle Herausforderungen bei der Erkennung von Aktivitäten: Erstens die Notwendigkeit, den Umfang der überwachung beim Training von Algorithmen des maschinellen Lernens zu reduzieren. Zweitens die Erkennung von höherwertigen Aktivitäten, die sich über längere Zeiträume erstrecken und aus mehreren Aktivitäten zusammengesetzt sein können. Zum Erreichen dieser Ziele macht diese Arbeit mehrere Beiträge. Den Anfang macht eine Analyse von Merkmalen (Features) für die Erkennung von Aktivitäten. Anhand eines Datensatzes von Aktivitäten wie Laufen, Sitzen, Stehen, oder Springen analysieren wir die Effizienz verschiedener gebräuchlicher Merkmale und Fensterlängen, über welche die Merkmale berechnet werden. Unsere Resultate deuten darauf hin, dass die Performanz einzelner Merkmale von der zu erkennenden Aktivität abhängt, und dass die besten Resultate dann erzielt werden, wenn Merkmale und Fensterlängen pro Aktivität individuell ausgewählt werden. Um die Notwendigkeit von annotierten Trainingsdaten zu reduzieren, schlagen wir einen unüberwachten Lernalgorithmus vor, der Struktur in nicht-annotierten Aufnahmen von Aktivitiäten entdecken kann. Der Ansatz identifiziert korrelierte Untermengen des Merkmals-Raums und repräsentiert diese mit niedrig-dimensionalen Modellen. Wir zeigen, dass die entdeckten Untermengen oft mit unterschiedlichen Aktivitäten übereinstimmen, und dass die resultierenden Modelle zur Erkennung von Aktivitäten in unbekannten Daten eingesetzt werden können. In einer weiteren Studie zeigen wir, dass der Ansatz für semi-überwachtes Lernen (semi-supervised learning) verwendet werden kann. Genauer gesagt kombinieren wir den Ansatz mit einem diskriminanten Klassifizierer, und zeigen, dass dieser Ansatz zu hohen Erkennungsraten führt, selbst wenn nur kleine Mengen an annotierten Trainingsdaten verwendet werden. Die Erkennung von höherwertigen Aktivitäten wie Einkaufen, Hausarbeiten verrichten, oder (zur Arbeit) Pendeln ist eine Herausforderung, da diese Aktivitäten sich aus wechselnden Unteraktivitäten zusammensetzen, und von Person zu Person stark variieren. Wir führen eine Studie mit drei verschiedenen Typen von höherwertigen Aktivitäten durch, in der wir untersuchen, zu welchem Ausmaß sich traditionelle Methoden zur Aktivitätenerkennung auf solche Aktivitäten anwenden lassen. Die Resultate deuten an, dass sich unter bestimmten Bedingungen Erkennungsraten von mehr als 90% erreichen lassen. Während unüberwachte Methoden für kurzfristige Aktivitäten vorteilhaft sind, sind sie für längerfristige und höherwertige Aktivitäten unabdingbar, da für solche Aktivitäten Annotationen nur sehr schwer zu erlangen sind. Zu diesem Zweck schlagen wir eine unüberwachte Lernmethode vor, die Struktur in höherwertigen Aktivitätsdaten aufdeckt. Die extrahierten Aktivitätsmuster korrelieren mit alltäglichen Routinen wie Pendeln, Büroarbeit, oder Mensa-Routine, und sie können zur Erkennung solcher Routinen in unbekannten Daten eingesetzt werden.