Gegenstand dieser Dissertation ist die non-parametrische Schätzung der Kovarianz in multi-dimensionalen Lévy-Prozessen auf der Basis von Hochfrequenzbeobachtungen. Im ersten Teil der Arbeit wird eine modifizierte Version der von Jacod und Reiß vorgeschlagenen Methode der Hochfrequenzbeobachtung für die Ermittlung der Kovarianz multi-dimensionaler Lévy-Prozesse gegeben. Es wird gezeigt, dass der Kovarianzschätzer optimal im Minimaxsinn ist. Darüber hinaus demonstrieren wir, dass die Indexaktivität der co-jumps durch das harmonische Mittel der Sprungaktivitätsinzidenzen der Komponenten von unten beschränkt wird. Der zweite Teil behandelt das Problem der adaptiven Schätzung. Ausgehend von einer Familie asymptotischer Minimax-Schätzer der Kovarianz, erhalten wir einen datenbasierten Schätzer. Wir wenden Lepskii’s Methode an, um die Kovarianz an die unbekannte Aktivität des co-jumps Indexes des Sprungteils anzupassen. Da wir es mit einem Adaptierungsproblem zu tun haben, müssen wir eine Schätzung der charakteristischen Funktion des multi-dimensionalen Lévy-Prozesses konstruieren, damit die charakteristische Funktion weder von einer semiparametrischen Annahme abhängt noch schnell abfällt. Aus diesem Grund wird auf Basis von Neumanns Methode ein trunkierter Schätzer für die empirische charakteristische Funktion konstruiert. Die Anwesenheit der trunkierten, empirischen charakteristischen Funktion im Zähler führt jedoch zu einer Situation, die auch bei der Deconvolution auftritt, d.h. einem irregulären Verhalten des stochastischen Fehlers. Dieser U-förmige stochastische Fehler verhindert die Anwendung von Lepskii’s Grundsatz. Um diesem Problem, entgegenzuwirken, entwickeln wir eine Strategie, welche zu einem Orakelstart von Lepskii's Methode führt, mit deren Hilfe ein monoton steigender stochastischer Fehler konstruiert wird. Dies erlaubt uns, ein Balancing Principle einzuführen und einen adaptiven Schätzer für die Kovarianz zu erhalten, der fast-optimale Raten erzeugt. / In this thesis, we consider the problem of nonparametric estimation for the continuous part of the covariation of a multi-dimensional Lévy process from high-frequency observations. This continuous part of covariation is also called covariance. The first part modifies the high-frequency estimation method, proposed by Jacod and Reiss, to cover estimation of the covariance of multi-dimensional Lévy processes. The covariance estimator is shown to be optimal in the minimax-sense. Moreover, the co-jump index activity is proved to be bounded from below by the harmonic mean of the jump activity indices of the components. In the second part, we address the problem of the adaptive estimation. Starting from an asymptotically minimax family of estimators for the covariance, we derive a data-driven estimator. Lepskii's method is applied to adapt the covariance to the unknown co-jump index activity of the jump part. Faced with an adaptation problem, we need to secure an estimation for the characteristic function of the multi-dimensional Lévy process so that it does not depend on a semiparametric assumption and, at the same time, does not decay fast. For this reason, a truncated estimator for the empirical characteristic function is constructed based on Neumann's method. The presence of the truncated empirical characteristic function in the denominator leads to a situation similar to the deconvolution problem, i.e., an irregular behavior of the stochastic error. This U-shaped stochastic error does not permit us to apply Lepskii's principle. To counteract this problem, we establish a strategy to obtain an oracle start of Lepskii's method, according to which a monotonically increasing stochastic error is constructed. This enables us to apply a balancing principle and build an adaptive estimator for the covariance which obtains near-optimal rates.