Innerhalb des Bereichs des maschinellen Sehens, im speziellen im aktiven Sehen, erlangen ruckgekoppelte Sensor-/Aktorsysteme immer grossere Bedeutung. Beispiele sind die aktive Selbstlokalisation in der visuellen Navigation von autonomen mobilen Systemen, die wissensbasierte Szenenexploration sowie die gezielte, optimale Ansichtenauswahl zur Unterscheidung ahnlicher Objekte bei der Objekterkennung. Dieses Buch behandelt zwei wichtige Aspekte der maschinellen Verarbeitung von Sensorinformation: die Schatzung des Zustands aus der (gestorten) Beobachtung von Sensordatenfolgen sowie die optimale Aktionsauswahl aufgrund der (fehlerbehafteten) Schatzung uber den Zustand. Im ersten Teil des Buches werden klassische Verfahren zur Zustandsschatzung von deterministischen sowie von stochastischen Systemen, das Kalman-Filter und Ansatze aus dem Bereich der Partikel Filter vorgestellt. Der zweite Teil beschaftigt sich mit Methoden, die Sensordatenaufnahme durch Aktionen gezielt zu beeinflussen. Ausgehend von Markov-Modellen werden Verfahren aus dem Bereich Reinforcement Learning vorgestellt, eine Lernstrategie zur Optimierung von Markov Modellen und partiell beobachtbaren Markov Modellen, sowie ein informationstheoretisches Vorgehen zur Aktionsauswahl basierend auf dem MMI-Prinzip (maximum mutual information). Die Vorstellung von Verfahren zur Sensordatenfusion und zur Zustandsschatzung mittels bildbasierter Modelle rundet dieses Buch ab. Jedes Kapitel dieses Buches schliesst mit konkreten Beispielen aus dem Bereich des Rechnersehens und wendet sich somit sowohl an Studierende mit Vertiefungsgebiet Bildverarbeitung als auch an Forscher und Systementwickler in der Industrie.