在人造卫星观测过程中，经常出现由于云团遮蔽或经过亮星等暂时无法继续跟踪目标的情况。等到目标再次出现时，精度高而视场小的观测设备就会丢失目标。虽然也可以使用视场大而精度低的辅助观测设备来人工发现目标，并将其修正到主观测设备的视场中去，但由于人造卫星在视场中运动速度较快，人工发现并修正的办法并不理想。

如果能利用已有的测量数据对目标的运动轨迹进行短期预测，就可以引导主观测设备在目标重新出现后继续跟踪，人造卫星经过在观测站的可观测时间一般只有若干分钟，其轨迹相对整圈轨道是相当短的，要想在这样短时间中利用这样短弧段的观测数据来进行预测，就要求测量数据的精度必须比较高才行。对于普通的人造卫星，很难给出精度较高的测距和测速数据，而通过光学手段则可以获得较高精度的测角数据。虽然多站数据融合可以获得更好的预测精度，但是数据通讯和密集计算带来的时间延迟难以及时给出预测数据。因此问题转化为如何利用精度较高的单站短弧段测角数据来进行短时间的实时人造卫星轨道预测。

人造卫星轨道预测，就是根据我们所观测到的数据，确定出我们需要的轨道参数。由于卫星的运动要受很多因素的影响，因此我们在进行轨道预测时，要考虑诸如地球扁率摄动，大气阻力，太阳光压等因素的影响。这样才能达到精密定轨的目的。

天体轨道的观测已经有很长的历史，我们可以对其进行估计和预测。大约在1795年高斯在他那著名的星体运动轨道预报研究工作中提出了最小二乘法，最小二乘法就成了估计理论的奠基石。最小二乘估计不涉及观测数据的分布特性，它的原理不复杂，数学模型和计算方法也比较简单，编制程序不难，所以它颇受人们的重视，应用相当广泛。对于严格的正态分布数据，最小二乘估值具有最优一致无偏且方差最小的特性。实践证明，在没有粗差的情况下，大部分测量数据基本上符合正态分布。这是最小二乘估计至今仍作为估计理论核心的基础。最早的轨道确定就是利用最小二乘法，用全部观测数据确定某一历元时刻的轨道状态的“最佳”估值，即所谓的批处理算法定轨。长期以来，在整个天体力学领域之中，各种天体的定轨问题，几乎都是采用这一方法。

为了解决火力控制系统精确跟踪问题，维纳于1942年提出了维纳滤波理论，首次将数理统计理论与线性系统理论有机地联系在一起，形成了对随机信号作平滑、估计或预测的最优估计理论。维纳滤波的最大缺点是适用范围有限，它要求被处理信号必须是平稳的，且是一维的。人们试图将维纳滤波推广到非平稳和多维情况，都因无法突破计算上的困难而难以推广和应用。

五十年代末到六十年代初，卡尔曼等人提出了最优线性滤波递推算法，即所谓的卡尔曼滤波。卡尔曼滤波从与被提取信号有关的测量数据中通过算法估计出所需信号。其中被估计信号是由白噪声激励引起的随机响应，激励源与相应之间的传递结构(系统方程)已知，测量数据与被估计量之间的函数关系(量测方程)也己知。估计过程中利用了如下信息:系统方程、量测方程、白噪声激励的统计特性、量测误差的统计特性。由于所用信息都是时域内的量，所以卡尔曼滤波器是在时域内设计的，适应范围远比维纳滤波器广，因而得到了广泛的应用。

卫星轨道预测的任务是由测量数据估计出卫星的下一时刻状态，当卫星实际位置在某一时刻无法跟踪时，我们需要预测出卫星在下一时刻的准确位置，以引导观测设备继续跟踪，不至于丢失目标。