Die Quantifizierung von Assoziationen in den Neurowissenschaften (sowie in vielen anderen wissenschaftlichen Disziplinen) wird häufig durch Hochdimensionalität, Nichtlinearität und verrauschte Beobachtungen erschwert. Viele klassische Methoden weisen entweder eine geringe statistische Teststärke oder eine schlechte Skalierbarkeit bei Datensätzen gleicher oder unterschiedlicher Skalen auf, wie beispielsweise bei genetischen, physiologischen und bildgebenden Daten. Basierend auf dem Rahmenwerk reproduzierender Kern-Hilbert-Räume schlagen wir ein neues nichtlineares Assoziationskriterium (NAC) mit einem effizienten numerischen Algorithmus und einem Schema zur p-Wert-Approximation vor. Zudem präsentieren wir eine mathematische Begründung, welche die vorgeschlagene Methode mit verwandten Verfahren wie der verallgemeinerten Kern-Varianz, der kanonischen Kern-Korrelationsanalyse und dem Hilbert-Schmidt-Unabhängigkeitskriterium verknüpft. NAC ermöglicht die Erkennung von Assoziationen zwischen beliebigen Eingabedomänen, solange ein charakteristischer Kern definiert ist. Ein MATLAB-Paket wurde bereitgestellt, um die Anwendung zu erleichtern. Umfangreiche Simulationsbeispiele und vier reale neurowissenschaftliche Anwendungsfälle – darunter Kausalitätsanalysen mittels funktioneller MRT, Calcium-Imaging sowie bildgebend-genetische Studien zu Autismus [Brain, 138(5):13821393 (2015)] und Alkoholabhängigkeit [PNAS, 112(30):E4085-E4093 (2015)] – dienen als Benchmark für NAC. Die Methode demonstriert eine überlegene Performanz gegenüber den getesteten bestehenden Verfahren und liefert zudem biologisch signifikante Ergebnisse für reale Datensätze. NAC übertrifft seine linearen Pendants, wenn Nichtlinearität in den Daten vorliegt, und weist im Vergleich zu nichtlinearen Alternativen eine höhere Robustheit gegenüber unterschiedlichen Versuchsaufbauten auf. In dieser Arbeit stellen wir mit NAC einen neuartigen und robusten statistischen Ansatz zur Quantifizierung von Assoziationen vor, der eine vielversprechende Alternative zu bestehenden Methoden für Datensätze darstellt, in denen Nichtlinearität und andere Störfaktoren vorliegen.