The separation between regions of certain homogeneity of a data set in 2D or 3D is termed segmentation. Registration or referencing, on the other hand, denotes the process of transferring different data sets into a common reference frame or system. Since the appearance of Terrestrial Laser Scanning (TLS) – combined with quasi-area-based acquisition methods and the associated enormous amount of data in the form of so-called point clouds – in engineering geodesy and related fields such as architecture and civil engineering, segmentation as well as registration have been among the most important processing steps with regard to an automated evaluation and further processing of point clouds. Several procedures have been established, however, each of them representing independent and detached strategies in their solution of the individual process steps, whose disadvantages are mostly expressed on the segmentation side in incompleteness, the unilateral use of information or inefficiency as well as on the registration side by the lack of a suitable stochastic model. This thesis first of all emphasizes the importance of segmentation and registration, as well as the necessity to use an adequate stochastic model in the context of Terrestrial Laser Scanning. As a result of the discussed disadvantages of existing methods, the motivation points as well as the prerequisites for the following chapters result. A decisive component in any evaluation with measured quantities, also in association with segmentation and registration procedures, is the choice of a suitable individual weighting of the observations via the knowledge of the respective precision. Up to now, the precision-limiting factors influencing the measuring components in TLS could not be mapped in an all-embracing model. Consequently, a new stochastic model addressing this issue is presented. A recent look on the topic of segmentation with TLS mostly shows the less effective application to a 3D data structure in combination with already referenced point clouds and the monolateral use of solely 3D information. Therefore, a new segmentation method is presented that addresses these problems and guarantees almost complete segmentation results based on the natural data structure of a single scan with proven and very efficient image processing routines. The examples show the versatile applicability of the segmentation algorithm using both 3D and intensity information on urban and natural object structures in the individual point clouds. In the last chapter the loop closes. A unique synergetic segmentation and registration procedure is presented, which uses the information gain from both process steps mutually. Based on extensive segments of the segmentation of single scans, plane sub-segments are detected with a special sub-segmentation procedure, incorporating the derived stochastic model. By means of a plane-based matching procedure, approximate values are initially derived for a subsequent comprehensive registration procedure of the individual scans. Finally, the point clouds of the single scans can be transferred into a common coordinate system using the external transformation parameters determined from the registration step. Simultaneously, the existing matching information of corresponding planes can be used to complement segments that are not completely captured due to different scanning perspectives on the object. Thus, the result of this processing chain is a complete registered and segmented 3D point representation of an object previously acquired with a TLS from different perspectives. Die Abgrenzung von Bereichen gewisser Homogenität eines Datensatzes im 2D oder 3D wird als sogenannte Segmentierung bezeichnet. Als Registrierung oder Referenzierung versteht man hingegen eine Überführung der verschiedenen Datensätze in ein gemeinsames Bezugs- oder auch Referenzsystem. Seit dem Einzug des Terrestrischen Laserscannings (TLS) – verbunden mit quasi flächenhaften Erfassungsmethoden und der damit einhergehenden enormen Datenmenge in Form von sog. Punktwolken – in die Ingenieurgeodäsie und verwandte Fachbereiche wie u. a. Architektur und das Bauingenieurwesen, zählen die Segmentierung als auch die Registrierung zu den wesentlichen Prozessierungsschritten im Hinblick auf eine automatisierte Auswertung und Weiterverarbeitung von Punktwolken. Etabliert haben sich einige Verfahren, die aber jeweils in ihrer Lösung der einzelnen Prozessschritte voneinander unabhängige und losgelöste Strategien darstellen, deren Nachteile sich auf der Segmentierungsseite zumeist in Unvollständigkeit, dem einseitigen Nutzen von Informationen oder Ineffizienz sowie auf Registrierungsseite durch Nichtvorhandensein oder Fehlen eines geeigneten stochastischen Modells äußern. Die vorliegende Arbeit stellt zunächst die Wichtigkeit der Segmentierung und Registrierung, als auch die damit einhergehende Notwendigkeit zur Nutzung eines adäquaten stochastischen Modells, im Kontext des TLS heraus. Aus den andiskutierten Nachteilen bestehender Verfahren ergeben sich die Motivationspunkte sowie die Voraussetzungen für die nachfolgenden Kapitel. Eine maßgebliche Komponente bei jeglichen Auswertungen mit gemessenen Größen, auch in Verbindung mit Segmentierungs- und Registrierungsverfahren, ist die Wahl von einer geeigneten individuellen Gewichtung der Beobachtungen über die Kenntnis der jeweiligen Präzision. Bislang konnten die präzisionslimitierenden Einflussfaktoren auf die Messkomponenten beim TLS nicht in einem allumfänglichen Modell abgebildet werden, wodurch ein neues stochatisches Modell vorgestellt wird, das sich diesem Sachverhalt widmet. Ein aktueller Blick zum Thema Segmentierung mit TLS zeigt zumeist die weniger effektive Anwendung auf eine 3D-Datenstruktur in Verbindung mit bereits referenzierten Punktwolken und der einseitigen Nutzung ausschließlicher 3D-Informationen. Daher wird ein neuartiges Segmentierungsverfahren vorgestellt das sich den Problemen annimmt und auf Basis der durch die Scanentstehung natürlichen Datenstruktur eines Einzelscans mit bewährten und sehr effizienten Bildverarbeitungsroutinen nahezu vollständige Segmentierungsergebnisse gewährleistet. Die Beispiele zeigen die vielseitige Anwendbarkeit des Segmentierungsalgorithmus unter Nutzung von 3D- als auch Intensitätsinformationen auf urbane als auch natürliche Objektstrukturen in den einzelnen Punktwolken. Im letzen Kapitel schließt sich der Kreis. Es wird ein einzigartiges synergetisches Segmentierungs- und Registrierungsverfahren vorgestellt, welches den Informationsgewinn aus beiden Prozesschritten wechselseitig ausnutzt. Basierend auf flächenhaften Segmenten der Segmentierung von Einzelscans werden ebene Untersegmente unter Einbeziehung des abgeleiteten stochastischen Modells mit einem speziellen Subsegmentierungsverfahren detektiert. Über ein ebenenbasiertes Matchingverfahren werden zunächst Näherungswerte für ein sich anschließendes allumfassendes Registrierungsverfahren der Einzelscans generiert. Schließlich können die Punktwolken der Einzelscans über die aus dem Registrierungsschritt bestimmten äußeren Transformationsparameter in ein gemeinsames Koordinatensystem überführt werden und zugleich über die vorhandene Matchinginformation korrespondierender Ebenen Segmente vervollständigt werden, die durch unterschiedliche Scanperspektive auf das Objekt nicht vollständig erfasst werden. Somit ist das Resultat dieser Verarbeitungskette eine vollständige registrierte und segmentierte 3D-Punktrepräsentation eines zuvor aus unterschiedlichen Perspektiven mit einem TLS aufgenommenen Objektes von Interesse.