随着国民经济的高速发展,航空运输业在社会经济中的地位得到了进一步的提升。然而,航空运输业的发展导致空中交通流量快速增加,产生了空中交通拥堵、管制员工作负荷增大等问题,也不可避免的增加了空中交通管制（Air Traffic Control,ATC）的负担。通过精准的航迹预测实现空中交通管理系统的协同化决策可以有效解决以上问题。本文首先分析了4D航迹预测的研究背景及意义,而后对4D航迹预测方法的分类和国内外研究进展做了具体总结。针对传统交互式多模型（Interacting Multiple Model,IMM）算法和其他改进IMM算法中将卡尔曼滤波器的噪声协方差矩阵设为一个定值,忽略了实际情况下噪声协方差不固定的问题,本文对IMM算法中的噪声协方差进行了实时估计,提出了基于噪声协方差矩阵实时估计的IMM短期航迹预测方法。首先建立基于新息的噪声协方差矩阵实时估计匀速（Constant Velocity,CV）和匀加速（Constant Acceleration,CA）卡尔曼滤波航迹预测模型,然后利用模型匹配似然函数修正模型概率实现CV和CA卡尔曼滤波的交互,进而构建了基于噪声协方差矩阵实时估计的IMM短期航迹预测方法。与单一卡尔曼滤波、基于新息的自适应卡尔曼滤波和传统IMM算法的航迹预测性能相比,提高了短期航迹预测精确度,且具有较好的实时性。为了对时间维度进行预测并进一步提高经度、纬度、高度的预测精度,将长短期记忆（Long and Short-Term Memory,LSTM）神经网络和改进IMM算法相结合,提出了基于LSTM-IMM的短期4D航迹预测方法。本方法在利用改进IMM算法预测经度、纬度、高度位置信息的同时,使用LSTM神经网络实现时间的预测,并对改进IMM算法预测的经度、纬度和高度进行补偿,以提高预测精度。在时间方面,以相邻航迹点之间的时间间隔为特征进行预测;在经度、纬度、高度方面,用LSTM神经网络预测改进IMM算法预测航迹与实际航迹之间的误差值,利用此误差值对改进IMM算法预测的位置信息进行补偿。利用实际的航班飞行数据验证了算法的性能,结果表明此方法可以很好地预测航迹点的时间,且明显提升了爬升和下降阶段的预测精确度,并在航迹突变时有更快的响应速度。