Der Emissionsausstoß von Hybridelektrofahrzeugen wird entscheidend von den gewählten Betriebspunkten der Antriebsmaschinen beeinflusst. Die Ansteuerung der Maschinen gibt die sogenannte Energiemanagement-Strategie vor. Deren Optimierung ist Bestandteil zahlreicher wissenschaftlicher Beiträge. Sie wird in der vorliegenden Arbeit um bisher nur selten betrachtete Aspekte erweitert. Neben dem Kraftstoffverbrauch werden die dieselmotorischen Stickoxidemissionen als weitere Zielgröße in das Optimierungsproblem aufgenommen. Im Gegensatz zum Kraftstoffverbrauch können solche Emissionsprodukte nur mit dynamischen Modellen hinreichend genau abgebildet werden. Derartige Modelle vergrößern den Zustandsraum des Problems und haben bei den oft verwendeten Optimierungsalgorithmen deutlich steigende Rechenzeiten zur Folge. Ein vielversprechender Ansatz zur Lösung solcher hochdimensionalen Problemstellungen ist das im Bereich des Hybridfahrzeug-Energiemanagements erst seit kurzem eingesetzte Deep Reinforcement Learning. Maschinenlernalgorithmen wie diese können Optimierungsprobleme mit großen Zustandsräumen in vertretbaren Zeiten lösen, indem sie die Lösung durch intelligente Rechenschritte approximieren. Für Training und Validierung kommen im Rahmen der Arbeit eigens generierte stochastische Fahrzyklen auf der Basis realer Fahrdaten zum Einsatz. Je nach Trainingszyklus erreichen die resultierenden Strategien so auch auf ihnen unbekannten Fahrzyklen eine nennenswerte Minimierung der Zielgrößen. Die Arbeit vergleicht die entsprechenden Ergebnisse unter anderem mit einer global optimalen Referenzlösung und diskutiert den Einfluss der konkurrierenden Zielgrößen auf die Lösung des mehrkriteriellen Optimierungsproblems. Durch die Nutzung dieses neuartigen Ansatzes können zukünftige Energiemanagement-Strategien einen entscheidenden Beitrag zur Senkung der Schadstoffemissionen im realen Straßenverkehr leisten.