Wohlbefinden bei Tieren ist ein ebenso schwer definierbarer, wie aktueller Begriff in der Tierhaltung. Da Wohlbefinden ein höchst subjektiver Zustand ist, kann die Erfassung nur am Einzeltier erfolgen. Es gibt zahlreiche Ansatzpunkte, um Wohlbefinden am Tier zu messen, wobei es keinen Einzelindikator gibt, der den Befindenszustand alleine beleuchten kann. Je mehr relevante und verschiedenartige Ausdrucksformen physischer und ethologischer Art zur Beurteilung herangezogen werden können, umso besser sind die Chancen, die Gefühlslage richtig einzuschätzen. Eine absolute quantitative Charakterisierung ist bislang nicht möglich, so dass relative Entwicklungstendenzen eines Individuums im Mittelpunkt der Erfassung stehen. Die Technik bietet zahlreiche Möglichkeiten an, um interessante Indikatoren automatisch messbar zu machen. Da die Wohlbefindensanalyse kontinuierlich durchzuführen ist und fortwährend Verknüpfungen parallel gezeigter Befindensausdrücke zu interpretieren sind, eröffnen automatisierte Dauererfassungsmethoden und Analysealgorithmen für umfangreiches Datenmaterial Möglichkeiten, die über die der rein manuellen Erfassung deutlich hinausgehen. Dabei sind insbesondere stark miniaturisierte, mobile Methoden wertvoll, da sie das tierische Befinden während der Messung nicht beeinträchtigen und so die Voraussetzung für eine aussagekräftige Messung schaffen. Einige Systeme sind bereits dazu befähigt, komplexere, aktuelle Befindensphänomene durch die Zusammenführung mehrerer einzelner Messparameter automatisch zu markieren, wobei neuronale Netze eine zunehmend wichtige Rolle spielen. Der weitere Entwicklungsspielraum der vollkommen automatisierten Erfassung von langfristigen Befindenslagen, wie Wohlbefinden, ist momentan aber besonders durch fehlende wissenschaftliches Grundlagenwissen zur angestrebten gleichzeitigen Interpretation mehrerer, in Wechselwirkung zueinander stehender Indikatoren begrenzt. Interdisziplinäre Forschung im Bereich der Interpretation ethologisch-physiologischer Komplexe und deren Einbeziehung in automatische Analysesysteme erscheint vielversprechend für weitere Verbesserungen in der Wohlbefindenserfassung. ; While becoming increasingly popular in livestock farming, the term "animal welfare" is hard to define. Without doubt, it describes a state exclusively related to and felt by one, individual animal. Analogously, it is the individual animal whose welfare must be measured. There are numerous approaches for measuring animal welfare but there is no such thing as the indicator. The state of an animal's emotions can best be assessed if various types of relevant physical and ethological features are taken into account. So far, it is not possible to make exact and absolute, quantitative statements. Measuring is therefore confined to evaluating relative developments that have been observed and recorded for one particular animal. There are several technical solutions which help to measure interesting indicators automatically. Assessing welfare should be a continuous process. Moreover, simultaneously assessed emotional expressions must be connected and interpreted as a whole, considering their interactions and inter-dependencies. These requirements can only be fulfilled with the support of engineering. Highly miniaturised, mobile methods seem to be especially valuable as their application and Operations go unnoticed by the animal. This is important, as measurement results would be distorted if the animal felt disturbed or uncomfortable while being tested. Several systems, notably neural networks, are able to detect complex emotional states due to their ability to combine single parameters. The current development towards fully automated measuring is impaired by the fact that in some fields there is a Jack of basic knowledge. For example, so far there is no background knowledge enabling the correct interpretation of several indicators which must not be judged separately but as a combination of interacting factors. Interdisciplinary research aimed at interpreting ethological and physiological complexes and their inclusion in automated analyses is promising and will contribute to further improvements in the measuring of animal welfare.