Abstract In heutigen Serienfahrzeugen gibt es viele Applikationen, die die Kenntnis über Position und Ausrichtung des Fahrzeugs voraussetzen, um ihre Aufgabe erfüllen zu können. Die Anzahl der Applikationen steigt und mit ihnen die Anzahl der Ortungsverfahren, die auf den speziellen Anwendungsfall maßgeschneidert werden. Die hybride Lokalisation von Kraftfahrzeugen ist eine Optimierungsmethode zur maximalen Ausnutzung der Potenziale einzelner Ortungsmodule. Dabei wird das Ziel verfolgt, auch anspruchsvolle Navigationsapplikationen, wie beispielsweise das automatische Fahren, mit einer hinreichend genauen Ortung aus serientauglichen Sensoren zu bedienen. Dazu werden geeignete Ortungsmodule implementiert, die ein hohes Optimierungspotenzial durch deren Kombination aufweisen. Diese sind GPS, Odometrie und ein trägheitsbasiertes Verfahren. Für die Datenfusion dieser Module ist es notwendig, die Güte der einzelnen Ortungsmodule fahrsituationsadaptiv zu bestimmen, was den Kern der vorliegenden Dissertation darstellt. Hierzu werden Einflussgrößen auf die Ortungsgüte identifiziert. Mithilfe künstlicher neuronaler und Bayesscher Netze wird daraus fahrsituationsadaptiv die Güte der jeweiligen Ortungsmodule berechnet. Diese Module werden zur Laufzeit bestimmt und anhand ihrer Integrität gewichtet innerhalb einer Datenfusion kombiniert. Diese gesamte Methode wird hier hybride Eigenlokalisation genannt. Den Abschluss der Arbeit bildet die Objektivierung der Qualität der hybriden Eigenlokalisation. Dazu werden die einzelnen Verfahren zur Ortungsgütebestimmung anhand der Lokalisationsergebnisse aus der Datenfusion kontrastiv gegenübergestellt. Das Verfahren mit invarianter Ortungsgüte aller Module erreichte die schlechtesten Lokalisationsergebnisse. Die Bestmarke bildet das als Referenz entwickelte ideale Verfahren zur Ortungsgütebewertung, bei dem ein High-End-Ortungsverfahren zur Bestimmung der tatsächlichen Ortungsgüte verwendet wird. Bei einer Gütebestimmung der verwendeten Ortungsmodule mit diesem Referenzsystem wird gegenüber konventioneller Gütebestimmung eine Verbesserung der Gesamtortung um das Vierfache erzielt, was das Potenzial der Hybriden Eigenlokalisation aufzeigt. Mithilfe zwei unterschiedlicher Ansätze aus der künstlichen Intelligenz zur Ortungsgütebestimmung wird jeweils eine Verdopplung der Qualität der Gesamtortung erzielt, was in einer fahrstreifengenauen Positionsbestimmung auf Basis serißiger Sensorik resultiert.