Die Relaxation in der Variationsrechnung führt zu Minimierungsaufgaben mit einer quasi-konvexen Energiedichte. In der nichtlinearen Elastizität, Topologieoptimierung, oder bei Mehrphasenmodellen sind solche Energiedichten konvex mit einer zusätzlichen Kontrolle in der dualen Variablen und einem beidseitigem Wachstum der Ordnung $p$. Diese Minimierungsprobleme haben im Allgemeinen mehrere Lösungen, welche dennoch eine eindeutige Spannung $\sigma$ definieren. Die Approximation mit der „hybrid high-order“ (HHO) Methode benutzt eine Rekonstruktion des Gradienten in dem Raum der stückweisen Raviart-Thomas Finiten Elemente ohne Stabilisierung auf einer Triangulierung in Simplexen. Die Anwendung dieser Methode auf die Klasse der degenerierten, konvexen Minimierungsprobleme liefert eine eindeutig bestimmte, $H(\div)$ konforme Approximation $\sigma_h$ der Spannung. Die a priori Abschätzungen in dieser Arbeit gelten für gemischten Randbedingungen ohne weitere Voraussetzung an der primalen Variablen und erlauben es, Konvergenzraten bei glatten Lösungen vorherzusagen. Die a posteriori Analysis führt auf garantierte obere Fehlerschranken, eine berechenbare untere Energieschranke, sowie einen konvergenten adaptiven Algorithmus. Die numerischen Beispiele zeigen höhere Konvergenzraten mit zunehmenden Polynomgrad und bestätigen empirisch die superlineare Konvergenz der unteren Energieschranke. Obwohl der Fokus dieser Arbeit auf die nicht stabilisierte HHO Methode liegt, wird eine detaillierte Fehleranalysis für die stabilisierte Version mit einer Gradientenrekonstruktion im Raum der stückweisen Polynome präsentiert. / The relaxation procedure in the calculus of variations leads to minimization problems with a quasi-convex energy density. In some problems of nonlinear elasticity, topology optimization, and multiphase models, the energy density is convex with some convexity control plus two-sided $p$-growth. The minimizers may be non-unique in the primal variable, but define a unique stress variable $\sigma$. The approximation by hybrid high-order (HHO) methods utilizes a reconstruction of the gradients in the space of piecewise Raviart-Thomas finite element functions without stabilization on a regular triangulation into simplices. The application of the HHO methodology to this class of degenerate convex minimization problems allows for a unique $H(\div)$ conform stress approximation $\sigma_h$. The a priori estimates for the stress error $\sigma - \sigma_h$ in the Lebesgue norm are established for mixed boundary conditions without additional assumptions on the primal variable and lead to convergence rates for smooth solutions. The a posteriori analysis provides guaranteed error control, including a computable lower energy bound, and a convergent adaptive scheme. Numerical benchmarks display higher convergence rates for higher polynomial degrees and provide empirical evidence for the superlinear convergence of the lower energy bound. Although the focus is on the unstabilized HHO method, a detailed error analysis is provided for the stabilized version with a gradient reconstruction in the space of piecewise polynomials.