卡爾曼濾波器是一種解方程的方法，是一種求後驗均值的遞推線性的求解方法。為什麼要求後驗均值？因為後驗均值能讓求解的未知數的誤差(MSE)最小。有很多方法可以求後驗均值，為什麼卡爾曼這麼流行？因為卡爾曼濾波最簡單。

Kalman濾波就是基於置信度加權平均的時變線性數字無限衝擊響應濾波器（IIR）。如果對被測量物件已有一個濾波後的外推預測結果x，並且知道這個預測結果的誤差方差為a，又獲取了新的測量結果y，並且根據測試手段與技術知道測量結果的誤差方差是b。那麼x的置信度就是b/（a+b），y的置信度就是a/（a+b），新的濾波結果就是xf=（bx+ay）/（a+b）。同時得到了源於測量結果y的“新息”xf-x，利用之前的預測方差a以及資訊可以重新計算濾波方差，再根據對測量物件假定的變化規律，可以計算產生下次濾波需要的預測方差a以及被測物件的變化規律引數。

Kalman濾波的優點是不僅可以提高測量估計精度，還可以精確估計被測物件的不能被直接觀測的變化規律引數，同時給出估計結果的誤差方差（即估計精度指標）。在具體實施上需要的運算與儲存資源也非常精簡，屬線上處理方法。

由於Kalman濾波器屬於IIR，必然存在穩定性的問題。經典實現方法會受計算誤差積累效應影響而出現濾波發散的現象。

它的時變線性也導致對在“狀態空間”中非線性變化被測物件的適應性不足，而且隨濾波步數變大，其響應頻寬越來越窄，對非線性也越來越敏感，極有可能會因輕微非線性現象出現估計誤差變大甚至發散的結果。

如果用到訊號處理上，卡爾曼濾波就是一個濾波器，增益k相當於濾波時間常數。如果k收斂則相當於定時間常數，如果k不斷變化相當於變時間常數，k的變化與Q,R的更新有關。

如果用在控制系統上，相當於對原始模型做了校正，校正後的模型引數，也與k陣有關，k收斂則模型引數不變，k變化則模型引數變化。k與Q,R陣變化有關。