Die Covid-19 Pandemie hat gezeigt, wie stark die Ausbreitung von Infektionskrankheiten von der Dynamik der menschlichen Mobilität bestimmt wird. Gleichzeitig eröffnet die anhaltende Explosion an verfügbaren Mobilitätsdaten im 21. Jahrhundert einen viel genaueren Blick auf die menschliche Mobilität. In dieser Arbeit untersuchen wir verschiedene Ansätze, wie moderne Mobilitätsdaten zusammen mit Modellierung ein tieferes Verständnis des Zusammenspiels von menschlicher Mobilität und der Ausbreitung von Infektionskrankheiten ermöglichen. Wir verwenden Mobilitätsdaten um zu zeigen, dass landesweite Mobilitätsmuster während der Covid-19 Pandemie in Deutschland komplexe strukturelle Veränderungen durchlaufen haben. Wir stellen einen räumlich heterogenen Rückgang der Mobilität während Lockdown-Phasen fest. Vor allem beobachten wir, dass ein deutlicher Rückgang der Fernreisen während der Pandemie zu einem lokaleren Netzwerk und einer Abschwächung des “Small-World”-Effekts führt. Wir zeigen, dass diese strukturellen Veränderungen einen erheblichen Einfluss auf die Ausbreitungsdynamik von Epidemien haben, indem sie die epidemische Kurve abflachen und die Ausbreitung in geografisch weit entfernte Regionen verzögern. Des Weiteren entwickeln wir eine neue Methode zur Bestimmung des Ausbruchsursprungs anhand von hochaufgelösten geografischen Bewegungsdaten. Abschließend untersuchen wir, wie repräsentativ Mobilitätsdatensätze für das tatsächliche Reiseverhalten einer Bevölkerung sind. Wir identifizieren verschieden Arten von Verzerrungen, zeigen ihre Spuren in empirischen Datensätzen, und entwickeln einen mathematischen Rahmen um diese Verzerrungen abzuschwächen. Wir hoffen, dass unsere Studien in dieser Arbeit sich als hilfreiche Bausteine erweisen für ein einheitliches Verständnis von menschlicher Mobilität und der Dynamik von Infektionskrankheiten. / The Covid-19 pandemic demonstrated how strongly infectious disease spread is driven by the dynamics of human mobility. At the same time, the ongoing explosion of available mobility data in the 21st century opens up a much finer view of human mobility. In this thesis, we investigate several ways in which modern mobility data sources and modeling enable a deeper understanding of the interplay of human mobility and infectious disease spread. We use large-scale mobility data captured from mobile phones to show that country-wide mobility patterns undergo complex structural changes during the Covid-19 pandemic in Germany. Most prominently, we observe that a distinct reduction in long-distance travel during the pandemic leads to a more local, clustered network and a moderation of the “small-world” effect. We demonstrate that these structural changes have a considerable effect on epidemic spreading processes by “flattening” the epidemic curve and delaying the spread to geographically distant regions. Further, we show that high-resolution mobility data can be used for early outbreak detection. We develop a novel method to determine outbreak origins from geolocated movement data of individuals affected by the outbreak. We also present several practical applications that have been developed based on the above research. To further explore the question of applicability, we examine how representative mobility datasets are of the actual travel behavior of a population. We develop a mathematical framework to mitigate these biases, and use it to show that biases can severely impact outcomes of dynamic processes such as epidemic simulations, where biased data incorrectly estimates the severity and speed of disease transmission. We hope that our studies in this thesis will prove as helpful building blocks to assemble the emerging, unified understanding of mobility and infectious disease dynamics.