在确定性情形下，线性系统的状态估计的主要方法有吕恩伯格观测器。只有系统的能观测部分（见能观测性）的状态才能重构，而且能以任意快的速度来重构，但在具体实现时则受到噪声、灵敏度等因素的限制。在系统的装置或其观测通道受有随机噪声干扰时，则必须用统计估计方法来处理。依观测数据与被估状态在时间上的相对关系，状态估计又可区分为平滑、滤波和预报3种情形。为了估计t时刻的状态x（t），如果可用的信息包括t以后的观测值，就是平滑问题。如果可用的信息是时刻t的观测值，估计可实时地进行，称为滤波问题。如果必须用时刻（t－Δ）以前的观测来估计经历了Δ时间之后的状态x（t），则是预报问题。状态估计中所应用的方法属于统计学中的估计理论。最常用的是最小二乘估计，其他如风险准则的贝叶斯估计、最大似然估计、随机逼近等方法也都有应用。不管是维纳滤波还是卡尔曼滤波，这些方法都只适用于线性系统，而且需要对被估计过程有充分的知识。对于非线性系统或对动态系统特性不完全了解的复杂估计问题，还需要深入研究。工程上可用一些近似计算方法来处理，常见的有基于局部线性化思想的广义卡尔曼滤波器、贝叶斯或极大后验估值器和可以根据滤波过程的历史知识自动修改参数的自适应滤波或预报技术等。