In der vorliegenden Arbeit wird eine Methode entwickelt, die es ermöglicht, den Fahrkomfort von PKW, basierend auf Messungen von Beschleunigungen und Luftschall in der Fahrerumgebung, vorherzusagen. Hierzu wurden zwischen 2008 und 2011 im Rahmen von Testfahrten in Zusammenarbeit mit der Audi AG, Magna Steyr Fahrzeugtechnik, dem Kompetenzzentrum das Virtuelle Fahrzeug und der Hochschule München entsprechende objektive und subjektive Daten erhoben. Für die Auflösung der komfortrelevanten Signalanteile in Zeit und Frequenz wird die kontinuierliche Wavelet-Transformation unter Verwendung von Gabor-Wavelets eingesetzt. Die Extrahierung aussagekräftiger Merkmale aus den transformierten Daten geschieht über eine eigene Methode, die auf der Approximation der sich ergebenden Wavelet-Tableaus durch ein parametriertes Muster beruht. Die dabei ermittelten Merkmale sind sowohl beschreibend in Hinblick auf die zugrunde liegenden Daten als auch robust vor dem Hintergrund kleinerer Störungen in der zeitlichen Ausrichtung der Tableaus. In Hinblick auf die Auswahl von Merkmalskombinationen für die Vorhersagemodelle wurden zwei multivariate Methoden entwickelt und erprobt. Als Vorhersagemodelle kommen schließlich künstliche neuronale Netze mit Feed-Forward-Struktur und spezielle lineare Modelle zum Einsatz. In beiden Fällen wird einer möglichen Überanpassung der Modelle an die Trainingsdaten unter Anderem durch Regularisierungs-Methoden im Zuge der Parameterfixierung entgegengewirkt.