Hochautomatisierte Landmaschinen sind keine Fiktion mehr und werden in den nächsten Jahren marktreif verfügbar sein. In der vorliegenden Arbeit wird exemplarisch am ausgewählten Verfahren Grubbern ein Ansatz für die vollautomatisierte Prozessführung von Landmaschinen erarbeitet. Der zentrale Punkt hierbei ist die agronomische Arbeitsqualität. Als Ausgangspunkt wird eine für die vorliegende Arbeit gültige Definition des Begriffs „Arbeitsqualität“ vorgenommen. Hierbei handelt es sich um einen vom Menschen zu definierenden Bodenbedeckungsgrad von Ernteresten oder sonstiger Biomasse auf dem Feld. Ausgehend von einer systematischen Analyse der Aufgaben der maschinenführenden Person bei der Feldarbeit wird ein Modell zur Beschreibung der Gesamtarbeitsaufgabe erarbeitet. Darauf basierend wird ein technisches Grundgerüst für die Automatisierung abgeleitet. Für die Messung des Bodenbedeckungsgrades wird ein bildgebendes Verfahren mit einer monokularen Kamera ausgewählt. Hierbei werden Methoden des maschinellen Sehens und des maschinellen Lernens untersucht und miteinander verglichen. Ein Deep Learning Ansatz erweist sich in Tests als der geeignetste Ansatz. Zusätzlich wird noch ein einfaches Klassifizierungsverfahren zur Erkennung signifikanter Luftstaubkonzentrationen im Bild entwickelt, basierend auf Deep Learning. Im regelungstechnischen Teil wird ein gesamtheitliches Konzept zur „Verhaltensgenerierung“ entwickelt. Kern dessen ist ein kaskadiertes Regelungskonstrukt. Der Ansatz wird auf Stabilität untersucht und implementiert. Die entwickelten Deep Learning Modelle und das Konzept zur Verhaltensgenerierung werden abschließend in umfangreichen Feldversuchen auf verschiedenen Feldern mit unterschiedlichen Pflanzenarten erfolgreich getestet und verifiziert.