Bisherige Ansätze zur Erkennung von Liniensegmenten basieren typischerweise entweder auf wahrnehmungsgruppierenden Verfahren im Bildraum oder auf globaler Akkumulation im Hough-Raum. In diesem Beitrag stellen wir einen probabilistischen Algorithmus vor, der die Vorteile beider Ansätze vereint. Im ersten Schritt werden Linien mittels eines globalen probabilistischen Hough-Ansatzes detektiert. Im zweiten Schritt wird jede detektierte Linie im Bildraum analysiert, um diejenigen Liniensegmente zu lokalisieren, die den Peak im Hough-Abbildung verursacht haben. Durch die Einschränkung der Suche auf eine Gerade lässt sich die Verteilung der Segmentabschnitte entlang der Folge von Punkten auf der Geraden als Markow-Kette modellieren, und eine probabilistisch optimale Beschriftung kann exakt mit einem Standard-Algorithmus der dynamischen Programmierung in linearer Zeit berechnet werden. Die Markow-Annahme ermöglicht zudem eine intuitive Rangordnungsmethode, die die lokalen marginalen Posterior-Wahrscheinlichkeiten nutzt, um die erwartete Anzahl korrekt beschrifteter Punkte auf einem Segment abzuschätzen. Um die Leistung des resultierenden Markov-Ketten-Marginal-Liniensegment-Detektors (MCMLSD) zu bewerten, entwickeln und wenden wir eine neuartige quantitative Evaluationsmethodik an, die sowohl Unter- als auch Übersegmentierung kontrolliert. Die Evaluation anhand der YorkUrbanDB-Datenbank zeigt, dass die vorgeschlagene MCMLSD-Methode den Stand der Technik erheblich übertrifft.