Thema der Arbeit ist die Parameterschätzung in Gaußschen Markov Feld Modellen auf einem regulären Gitter. Hierfür wird ein Markov-Chain-Monte-Carlo-Maximum-Likelihood-Schätzer hergeleitet und analysiert, wobei dieser sich gegenüber dem klassischen Verfahren als überlegen erweist. Der Schätzer basiert auf einen speziell optimierten antithetischen Gibbs-Sampler. Reale Daten erfüllen häufig nicht die Voraussetzung der Mittelwert- und Kovarianzstationarität. Daher werden Modelle mit räumlich variierenden Koeffizienten vorgeschlagen und lokale Likelihood-basierte Schätzverfahren entwickelt. Diese Modelle werden auf einen klassischen Weizendatensatz und auf Forstdaten angewandt und ermöglichen eine adäquatere Modellierung.