卡尔曼滤波在数学上是一种统计估算方法，通过处理一系列带有误差的实际量测数据而得到物理参数的最佳估算。卡尔曼滤波具有以下几个特点：

(1)卡尔曼滤波处理的对象是随机信号:

(2)被处理信号无有用和干扰之分，滤波的目的是要估计出所有被处理信号;

(3)系统的白噪声激励和量测噪声并不是需要滤除的对象，它们的统计特性正是估计过程中需要利用的信息。

就实现形式而言，卡尔曼滤波器实质上是一套数字计算机实现的递推算法，每个递推周期中包含对被估计量的时间更新和测量数据更新两个过程。时间更新由上一步的测量数据更新结果和设计卡尔曼滤波器时的先验信息确定，量测更新则在时间更新的基础上根据实时获得的测量数据确定。这种方法无需保存过去的观测数据，当新的观测数据获得以后，根据新的数据和前一时刻的各量测估值，借助于系统本身的状态方程，按一套递推公式，即可算出新的状态估值，这样大大地减小了计算机的存储量和计算量，便于实时处理，而且也适用于非平稳随机过程的估计。因此，测量数据可看做卡尔曼滤波器的输入，估计值可看做输出，输入与输出之间由时间更新和测量数据更新算法联系。

卡尔曼滤波算法注重对测量过程的描述,参考了所有的测量数据,对结果进行必要的修正;同时卡尔曼滤波算法采取的误差准则为估计误差的均方值最小,利用信号和噪声的统计特征的不同,起到一定的滤波作用;其次,卡尔曼滤波算法可在线实时处理,这有助于自动控制中的即时监测。它采用递推法计算,信号可以是平稳的,也可以是非平稳的,它是以线性无偏、最小方差为准则的估值算法,具有内存开支小、运算速度快等特点,因此利用卡尔曼滤波可对复杂运动情况下的目标进行实时精确的跟踪。

卡尔曼滤波定轨主要用于实时或准时的定轨要求，它对观测数据进行序贯处理，可以实时定轨或准实时定轨。可以连续运行若干个月，无需数据存储或仅存储一次过境数据。为了提高精度，如允许滞后过境，可以加入卡尔曼平滑。卡尔曼滤波包含了力学模型误差项，引入该项后，使以往数据的权重大体按指数衰减，保证滤波能连续，平稳的进行。

它是一个不断预测和修正的过程，无需存储大量的观数据，当得到新的观测值时，它只是根据前一个估计值和最后一个观测数据来计算信号的当前值，特别适合实时数据处理。它是用状态方程和递推方法进行估计的。

卡尔曼滤波自提出以来，由于其突出的优点，在许多应用领域得到了极大的普及和推广，特别是在导航、测轨定位、目标跟踪与拦截以及工业生产的最优控制和气象预报、地震预报等方面得到了广泛的应用。而在工程应用中遇到的实际问题又使卡尔曼滤波算法的研究更加完善。1959年美国国家航空航天管理局即NASA开始研究载人太空船登月方案，当时提出两个主要问题:(1)中途导航和制导;(2)液体燃料助推器大挠度条件下的自动驾驶问题。因这两项研究工作的工作量都很庞大而无力同时进行，所以选择前者作为重点，即宇宙飞船的测轨问题。导航问题中主要解决对太空船运动状态的估计。测量数据来自三个子系统:飞船装备的惯性测量装置、天文观测仪和地面测轨系统，测轨数据经数据链传送至太空船。估计方法曾试图采用递推加权最小二乘和维纳滤波，均因精度满足不了要求和计算繁杂而不得不放弃。1960年秋，卡尔曼访问了NASA提出了卡尔曼滤波算法(Kalman1961)，立即引起重视并投入研究。阿波罗计划中导航系统后由麻省理工学院研制完成(Schnlidt1981)。卡尔曼滤波早期应用中的另一成功实例为C-SA飞机的多模式导航系统(Sellmidt1970)。

    基于减轻地面存储与处理大量观测数据的负担与星上自主定轨的需求，国外已经研制出的比较成熟的卡尔曼滤波软件，进行精密定轨。国外对于卡尔曼滤波定轨算法的研究已有3O年历史，8O年代有关定轨模型误差统计特性的研究，特别是地球引力场模型误差的自相关特性的研究，是一个突破进展。符合物理机理的统计特性，将保证滤波能长时间稳定运行。9O年代国外几版经过考验的卡尔曼滤波定轨软件的推出 ，标志着它已趋于成熟。国外有关模型误差统计特性的研究成果，及卡尔曼平滑的引进，都是值得借鉴的。