In vielen Anwendungsbereichen müssen zuverlässige Entscheidungen getroffen werden, um die Sicherheit zu erhöhen, die Funktionalität zu gewährleisten oder Kosten zu senken. Insbesondere im Bereich der Zustandsüberwachung ist die Bewertung von Situationen, Bedingungen oder Zuständen die Hauptaufgabe des Überwachungssystems.</br> Zahlreiche Klassifikationsalgorithmen wurden entwickelt, um die Klassifikation von Situationen, Bedingungen oder Zuständen zu unterstützen. Die Leistung einzelner Klassifikationsalgorithmen variiert unter anderem mit den verwendeten Datensätzen, den verfügbaren Trainingsdaten für überwachte Klassifikatoren und der Hyperparameterabstimmung.</br> Das Problem, nur einen Klassifikator zu verwenden, der speziell für bestimmte Situationen trainiert wurde, aber für nicht trainierte, unbekannte Situationen nicht geeignet ist, wird durch die Verwendung von Fusionsmethoden überwunden. Die Zuordnungen einzelner Basisklassifikatoren werden kombiniert, um die Gesamtzuverlässigkeit zu verbessern.</br> Ähnlich wie bei den Klassifikationsalgorithmen führt Fusion nicht für jeden Datensatz, jede Klassifikatorauswahl oder jede Fusionsmethode zu zufriedenstellenden Ergebnissen.</br> Die Analyse von Eigenschaften, die das Fusionsergebnis beeinflussen, ist das Hauptthema dieser Arbeit. Dies umfasst zum einen die Analyse mit unterschiedlichen Datensätzen, die verschiedene Eigenschaften aufweisen (wie z. B. Anzahl der Klassen, etc.) und aus verschiedenen Anwendungsbereichen stammen, unter anderem aus der Zustandsüberwachung. Diese Daten werden unter Verwendung verschiedener Standardklassifikatoren mit Standardparametern klassifiziert, um die Analyse der Klassifikatoren an sich von den Untersuchungen auszuschließen. Verschiedene Ensembleauswahlstrategien werden betrachtet, um den Einfluss der Klassifikatoreigenschaften der Ensemblemitglieder auf die Gesamtfusionsperformanz zu untersuchen. Die Leistung der einzelnen Basisklassifikatoren sowie das für die Fusion verwendete Leistungsmaß werden variiert, um den Einfluss auf das Gesamtergebnis zu zeigen. Die Eigenschaften der Fusionsmethoden sowie die Datenmerkmale werden in Bezug auf ihren Einfluss auf die Genauigkeit der Ergebnisse untersucht.</br> Die Ergebnisse zeigen, dass Fusion die Gesamtperformanz verbessern kann, jedoch nur unter bestimmten Umständen. In dieser Arbeit wird der Zusammenhang zwischen verschiedenen Ensembleauswahlstrategien, der optimalen Anzahl und Eigenschaften der augewählten Klassifikatoren, der Dateneigenschaften sowie den Eigenschaften der Fusionmethoden und der Gesamtzuverlässigkeit untersucht. </br>Ziel ist, die Bedingungen unter denen die Fusionsmethoden zu einer Verbesserung der Gesamtzuverlässigkeit führen bzw. unter denen es keinen Sinn ergibt, Fusion anzuwenden, zu bestimmen.