In dieser Arbeit wird die Orientierungserkennung von Radfahrern mithilfe des Deep Learnings für eine besonders anfällige Gruppe von Straßennutzern, die Radfahrer, anerkannt. Die Kenntnis der Orientierung der Radfahrer ist von großer Bedeutung, da sie ein gutes Verständnis ihrer zukünftigen Trajektorie bietet, was im Kontext intelligenter Verkehrssysteme entscheidend ist, um Unfälle zu vermeiden. Unter Verwendung von Transfer Learning mit vortrainierten Modellen und TensorFlow stellen wir einen Leistungsvergleich zwischen den wichtigsten in der Literatur beschriebenen Algorithmen zur Objekterkennung dar, wie SSD, Faster R-CNN und R-FCN, zusammen mit den Feature Extractors MobilenetV2, InceptionV2, ResNet50 und ResNet101. Darüber hinaus schlagen wir eine Mehrklassenerkennung vor, die acht verschiedene Klassen nach Orientierung umfasst. Dazu führen wir einen neuen Datensatz ein, der "Detect-Bike" genannt wird und 20.229 Radfahrerinstanzen über 11.103 Bilder enthält, welche auf Basis der Orientierung der Radfahrer gekennzeichnet wurden. Anschließend werden dieselben Deep-Learning-Methoden verwendet, um das Ausrichtungsziel zu bestimmen. Unsere experimentellen Ergebnisse und umfangreiche Evaluierungen zeigten zufriedenstellende Leistungen aller untersuchten Methoden bei der Erkennung von Radfahrern und deren Orientierung. Insbesondere erwies sich Faster R-CNN mit ResNet50 als präzise, aber erheblich langsamer. Gleichzeitig bot SSD mit InceptionV2 einen guten Kompromiss zwischen Präzision und Ausführungszeit und ist für Echtzeit-Einbettungsanwendungen zu bevorzugen.