Auf Flugzeugen montierte Laserscanner können innerhalb kürzester Zeit große Gebiete der Erdoberfläche dreidimensional erfassen. Eine wichtige Aufgabe besteht in der Klassifikation der anfallenden Daten, welche als Punktwolken bezeichnet werden. Jeder Laserpunkt wird dabei einer Objektklasse zugeordnet. Die semantisch angereicherten Daten sind für weiterführende Applikationen erforderlich, wie etwa für die Erstellung dreidimensionaler Stadtmodelle. Diese Arbeit befasst sich mit der automatischen Zuordnung dieser Punktwolken zu Objektklassen unter Ausnutzung von räumlicher Kontextinformation. Die Zielsetzung besteht in der Entwicklung eines neuen Klassifikationsansatzes, welcher Kontext anhand von zwei Ebenen in den Prozess integriert. Probabilistische graphische Modelle in Form von bedingten Zufallsfeldern (Conditional Random Fields, CRF) stellen dafür ein geeignetes Werkzeug bereit. Es wird ein hierarchisches Modell erstellt, das einerseits die Laserpunkte und andererseits Segmente bestehend aus Punktgruppen klassifiziert. Jede dieser Teilaufgaben wird mit einem individuellen CRF gelöst. In einem iterativen Prozess werden die beiden Ebenen nacheinander optimiert und reichen ihre Ergebnisse an die jeweils andere Ebene weiter. Für das segmentbasierte CRF ist vor jeder Durchführung eine Aggregation ähnlicher Punkte zu Segmenten erforderlich. Es wird eine neue Methodik vorgeschlagen, die im Zuge der Iterationen eine adaptive, zunehmend besser werdende Anpassung der Segmente an die tatsächlichen Objektgrenzen erlaubt, wodurch sich die Anzahl der Segmentierungsfehler reduziert. Dies verbessert die Klassifikationsqualität von feineren Strukturen wie etwa Autos in der Szene. Weiterhin lassen sich die durch das alternierende Vorgehen entstehenden Zwischenlösungen für die Extraktion von Kontextmerkmalen verwenden. Zwei Gruppen kontextbasierter Segmentmerkmale für luftgestützte Laserdaten werden im Rahmen dieser Arbeit vorgestellt. Der Fokus der experimentellen Untersuchungen liegt darauf, das vorgestellte Verfahren zu evaluieren und insbesondere den Beitrag der Kontextinformation in Bezug auf die erzielten Genauigkeiten zu ermitteln. Dafür werden reale Datensätze mit bekannten Referenzklassen für jeden individuellen Laserpunkt verwendet. Eine Auswertung ergibt gute Genauigkeitswerte. Anhand von öffentlich verfügbaren Standarddatensätzen zeigt sich eine Überlegenheit hinsichtlich der Gesamtgenauigkeiten gegenüber anderen aktuellen Verfahren. In den Experimenten führt die Berücksichtigung von Kontextinformation im Vergleich zu einem Random Forest Klassifikator zu Genauigkeitssteigerungen um bis zu 5 Prozentpunkte. Besonders in den Daten unterrepräsentierte Objektklassen wie Autos profitieren von Kontext. Ihre Qualität kann um mehr als 20 Prozentpunkte verbessert werden.