现代军事战争中,各军事大国的飞行器基本都具备了超声速和隐身的能力,临近空间高超声速飞行器拥有极高的飞行高度和极快的飞行速度,凭借这两个优势它迅速成为世界各大军事强国关注和争夺的新高地。目前,各军事大国均已有了自己的高超声速飞行器计划,有些国家已经成功试飞多次。我国作为防御性大国,对临近空间高超声速飞行器的跟踪预报的需求也迫在眉睫。近些年来,随着人工智能技术和计算机技术的兴起,越来越多的领域开始融入机器学习和深度学习等各类人工智能技术,这其中以深度学习为基础的神经网络技术在近些年发展尤为迅速。本文以美国高超声速飞行器HTV-2的跟踪预报为背景,研究并设计了基于卡尔曼滤波器和神经网络的组合模型,实现对HTV-2的跟踪和预报功能。本文首先以HTV-2的跟踪问题作为切入点,对HTV-2进行运动分析,给出了系统的状态方程,设计实现了扩展卡尔曼滤波器。其次,在目标的预报阶段,提出使用神经网络对状态变量进行建模的需求。在滤波问题的基础上进一步讨论了解决预测状态变量问题的多种设计方案。本文还依照弹道预报的需求,对标准神经网络模型做出修改,使之可以更高效准确的预测状态变量。再次,为了解决弹道的跟踪预报问题,本文设计并给出了两套卡尔曼滤波与神经网络组合的方案,并且就模型的特性对组合模型进行进改,使其可以更加准确高效的完成跟踪预报任务。最后,本文针对两套方案进行了仿真实验,验证了对应模型的可行性。并在不同的任务条件下给出模型的对比仿真实验结果,对模型的性能及表现做出评价。