The goal of this doctoral thesis is to identify appropriate methods for the estimation of connectivity and for measuring synchrony between spike trains from in vitro neuronal networks. Special focus is set on the parameter optimization, the suitability for massively parallel spike trains, and the consideration of the characteristics of real recordings. Two new methods were developed in the course of the optimization which outperformed other methods from the literature. The first method “Total spiking probability edges” (TSPE) estimates the effective connectivity of two spike trains, based on the cross-correlation and a subsequent analysis of the cross-correlogram. In addition to the estimation of the synaptic weight, a distinction between excitatory and inhibitory connections is possible. Compared to other methods, simulated neuronal networks could be estimated with higher accuracy, while being suitable for the analysis of massively parallel spike trains. The second method “Spike-contrast” measures the synchrony of parallel spike trains with the advantage of automatically optimizing its time scale to the data. In contrast to other methods, which also adapt to the characteristics of the data, Spike-contrast is more robust to erroneous spike trains and significantly faster for large amounts of parallel spike trains. Moreover, a synchrony curve as a function of the time scale is generated by Spike-contrast. This optimization curve is a novel feature for the analysis of parallel spike trains. / Ziel dieser Dissertation ist die Identifizierung geeigneter Methoden zur Schätzung der Konnektivität und zur Messung der Synchronität von in-vitro Spike-Trains. Besonderes Augenmerk wird dabei auf die Parameteroptimierung, die Eignung für große Mengen paralleler Spike-Trains und die Berücksichtigung der Charakteristik von realen Aufnahmen gelegt. Im Zuge der Optimierung wurden zwei neue Methoden entwickelt, die anderen Methoden aus der Literatur überlegen waren. Die erste Methode “Total spiking probability edges” (TSPE) schätzt die effektive Konnektivität zwischen zwei Spike-Trains basierend auf der Berechnung einer Kreuzkorrelation und einer anschließenden Analyse des Kreuzkorrelograms. Neben der Schätzung der synaptischen Ge- wichtung ist eine Unterscheidung zwischen exzitatorischen und inhibitorischen Verbindungen möglich. Im Vergleich zu anderen Methoden, konnten simulierte neuronale Netzwerke mit einer höheren Genauigkeit geschätzt werden. Zudem ist TSPE aufgrund der hohen Rechengeschwindigkeit für große Datenmengen geeignet. Die zweite Methode “Spike-contrast” misst die Synchronität paralleler Spike-Trains mit dem Vorteil, dass die Zeitskala automatisch an die Daten angepasst wird. Im Gegensatz zu anderen Methoden, welche sich ebenfalls an die Daten anpassen, ist Spike-contrast robuster gegenüber fehlerhaften Spike-Trains und schneller für große Datenmengen. Darüber hinaus berechnet Spike-Contrast eine Synchronitätskurve als Funktion der Zeitskala. Diese Kurve ist ein neuartiges Feature zur Analyse paralleler Spike-Trains.