Die Magnetresonanztomographie (MRT) ist weithin durch ihren Einsatz als bildgebendes Verfahren der medizinischen Diagnostik bekannt. Hierbei stehen insbesondere qualitative Aussagen über räumliche Variationen von Gewebeeigenschaften im Fokus, um gesundes von krankem Gewebe unterscheiden zu können. Neben diesem medizinischen Nutzen hat sich in den letzten Jahren ein Einsatz der MRT zur quantitativen Bestimmung strömungsmechanischer Eigenschaften in Anwendungen ergeben, für die der Einsatz klassischer Strömungssensorik aufgrund eines mangelnden physikalischen oder optischen Zugangs unmöglich ist. Untersuchte Anwendungen sind beispielsweise Einspritzsysteme und Brennraumanalysen für Verbrennungsmotoren oder auch Kühlsysteme für Turbinen. Um eine hinreichend gute zeitliche Auflösung derartiger Messungen zu erreichen, wird auf Methoden des Undersampling zurückgegriffen. Für die Auswertung der Messdaten müssen nichtlineare Optimierungsprobleme gelöst und hinsichtlich des Einflusses von Messfehlern analysiert werden. Ziel dieser Arbeit ist die Robustheitssteigerung bestehender Methoden der stochastischen und intervallbasierten Unsicherheitsmodellierung für die MRT-basierte Strömungsmesstechnik und deren effizient parallelisierte Implementierung auf modernen GPU-Architekturen.