Richtungsschätzung (englisch: Direction-of-arrival, kurz DOA, estimation), mittels teilkalibrierter Sensorgruppen (Arrays) bestehend aus mehreren Untergruppen (Subarrays), ist ein Schätzproblem in verschiedenen praktischen Anwendungen, wie Radar, Sonar und Reflexionsseismik. Aktuelle DOA Schätzalgorithmen benötigen die Messdaten aller Sensoren an einem Bearbeitungszentrum (englisch: processing center, kurz PC). Die Rechenleistung des PCs und die Kommunikationsbandbreite der Untergruppen nehmen mit der Anzahl der Sensoren zu. Solche zentralisierten Algorithmen skalieren eher schlecht mit der Anzahl der Sensoren. In dieser Arbeit werden dezentralisierte DOA Schätzalgorithmen für teilweise kalibrierte Sensorgruppen vorgestellt, mit dem Ziel die Nachteile der zentralisierten Algorithmen zu vermeiden. In der dezentralisierten DOA Schätzung wird davon ausgegangen, dass jede Untergruppe eine mäßige Rechenleistung besitzt und mit den Untergruppen in ihrer Nähe kommunizieren kann. Anstatt die Rohdaten an das PC zu senden, verarbeiten die Untergruppen ihre Messungen und kommunizieren untereinander, um das Schätzproblem zu bewältigen. In dieser Dissertation wird eine dezentralisierte DOA Schätzung aus der Kovarianz der Messungen in zwei Verarbeitungsschemata, nämlich eine kohärente und nicht-kohärente Verarbeitung, berücksichtigt. Bei der kohärenten Verarbeitung ist die gesamte Array-Kovarianzmatrix einschließlich der Zwischengruppen- Kovarianzmatrizen verfügbar, während nur die Untergruppen-Kovarianzmatrizen in der nicht-kohärenten Verarbeitung verfügbar sind. Die Genauigkeit der DOA Schätzung bei der kohärenten Verarbeitung ist besser als die der nicht-kohärenten Verarbeitung, da mehr Daten in der kohärenten Verarbeitung verfügbar sind, nämlich die Zwischengruppen-Kovarianzmatrizen. Die kohärente Verarbeitung ist jedoch restriktiver als die nicht-kohärente Verarbeitung, insbesondere müssen die Untergruppen für die kohärente Verarbeitung zeitlich synchronisiert sein. Bei der kohärenten Verarbeitung lässt sich mithilfe der dezentralisierten Power Methode (DPM) bei der Eigenwertzerlegung der Stichprobenvarianz-Matrix eine dezentral DOA Schätzung realisieren. Die Leistungsanalyse der DPM wird durchgeführt. Ein analytischer Ausdruck der Varianz der Eigenvektoren und Eigenwerte wird bestimmt, der für die Berechnung des mittleren quadratischen Fehlers (englisch: mean square error, kurz MSE) der unterraumbasierten Schätzer benötigt wird. Weiterhin wird der dezentralisierte ESPRIT Algorithmus eingeführt, der vollständig dezentralisierte DOA Schätzungen mittels der DPM liefert. Ein asymptotischer, analytischer Ausdruck des MSE von DOA Schätzern mit dem dezentralisierten ESPRIT Algorithmus wird abgeleitet. Ähnlich wie bei dem herkömmlichen ESPRIT Algorithmus benötigt der dezentralisierte ESPRIT Algorithmus eine verschiebungsinvariante Sensorgruppenanordnung. Unter Verwendung der Interpolation wird der dezentralisierte ESPRIT Algorithmus auf beliebige Array-Geometrien verallgemeinert. Der dezentralisierte ESPRIT Algorithmus hat folgende Nachteile, die durch die DPM verursacht werden: 1.) der große Kommunikationsaufwand, der von der DPM benötigt wird, um jeden Eigenvektor zu berechnen, 2.) die Power Methode ist ein Batch-Verarbeitungs Algorithmus, während z.B. bei Tracking-Anwendungen Online-Algorithmen bevorzugt werden. Um diese Nachteile zu vermeiden werden zwei neue dezentralisierte Eigenwertzerlegungs-algorithmen präsentiert, die einen niedrigeren Kommunikationsaufwand und eine Online-Verarbeitung der Eigenvektoren und Eigenwerte der Kovarianzmatrix ermöglichen. Der dezentralisierte ESPRIT Algorithmus erfordert, dass die Anzahl der Quellen im Voraus verfügbar ist. Es wird ein dezentraler Quell-Detektionsalgorithmus eingeführt, der im Gegensatz zu den herkömmlichen Quell-Detektionsalgorithmen nicht die Berechnung aller Eigenwerte der Kovarianzmatrix erfordert. Als Alternative wird für vollständig kalibrierte Arrays der dezentralisierte Root-MUSIC Algorithmus eingeführt, der die Struktur des Arrays ausnutzt. Ein asymptotischer, analytischer Ausdruck der MSE von DOA Schätzungen, die aus dem dezentralisierten Root-MUSIC Algorithmus erhalten werden, wird abgeleitet. Für die nicht-kohärente Verarbeitung werden zwei DOA Schätzer vorgestellt, nämlich der Maximum Likelihood Schätzer (englisch: Maximum Likelihood estimator, kurz MLE) und ein rechnerisch einfacher Ansatz, der auf der spärlichen Signaldarstellung (englisch: sparse signal representation, kurz SSR) basiert. Eine hinreichende Bedingung für die eindeutige Identifizierbarkeit der Quellen in dem nicht-kohärenten Verarbeitungsschema wird hergeleitet. Unter schwachen Bedingungen wird bewiesen, dass mit dem nicht-kohärenten System von Untergruppen mehr Quellen identifiziert werden können als mit jedem Untergruppe alleine. Diese Eigenschaft der nicht-kohärenten Verarbeitung wurde bisher nicht untersucht. Darüber hinaus wird die Cramér-Rao Schranke (englisch: Cramér-Rao Bound, kurz CRB) für das nicht-kohärente Messmodell abgeleitet, die zur Bewertung der Leistung der entwickelten DOA Schätzer dient. Das Verhalten des CRB bei hohem Signal-Rausch-Verhältnis (englisch: signal-to-noise ratio, kurz SNR) wird analysiert. Im Gegensatz zur kohärenten Verarbeitung wird bewiesen, dass bei hohem SNR die CRB sich nur dann gegen Null konvergiert, wenn mindestens eine einzelne Untergruppe die Quellen identifizieren kann. Schließlich wird das herkömmliche nicht-kohärente DOA Schätzungsszenario betrachtet, bei dem die Sensoren alle Untergruppen lineare und äquidistant angeordnet sind und die Quellen alleine identifizieren können. Zwei DOA Schätzalgorithmen, die die herkömmlichen nichtkohärenten DOA Schätzer in ihrer Leistungsfähigkeit übertreffen, werden vorgestellt.