In this thesis a Gaussian process regression (GPR) model and a Kalman filter (KF) model were developed and applied to a trajectory prediction problem. The main subject of the thesis is GPR, where the intended purpose of the KF is to compare it to the GPR model. The input data for the models consists of two noisy spherical angle coordinates of a moving target relative to a moving guided projectile. In order to perform trajectory predictions the models need to estimate the distance between the target and guided projectile since there are only two coordinates available and an estimation of three coordinates is desired. The distance estimation was done by a Low Speed Approximation. The trajectories investigated were harmonic-exponential, exponential-spiral and linear. The results showed issues with the hyperparameters of the GPR model which may be related to the preprocessing of the trajectory data. However, the GPR model did outperform the KF model when there was acceleration, despite the issues with the hyperparameters. The KF model outperformed the GPR model when the target trajectory behaved linearly. The results indicate that GPR has potential as a trajectory prediction algorithm. / I denna avhandling utvecklades och tillämpades en Gaussisk process regression (GPR)-modell och en Kalman Filter (KF)-modell på ett positionspredikteringsproblem. Huvudämnet för avhandlingen är GPR medan det avsedda syftet med KF är att jämföra den med GPR-modellen. Modellernas indata består av två brusiga sfäriska vinkelkoordinater av ett rörligt mål i förhållande till en styrd projektil. För att modellerna ska kunna utföra positionsprediktering så behöver avståndet mellan målet och den styrda projektilen skattas, eftersom det endast finns två tillgängliga koordinater och en uppskattning av tre koordinater önskas. Avståndsberäkningen gjordes baserat på ett antagande om att hastigheten för målet är liten relativt hastigheten för den styrda projektilen, i avhandlingen är denna approximation benämnd Low Speed Approximation. De undersökta banorna var harmonisk-exponentiell, exponentiell-spiral och linjär. Resultaten visade problem med hyperparametrarna för GPR-modellen, vilket kan vara relaterat till förbehandlingen av bandatan. Trots problem med hyperparametrarna så presterade GPR-modellen bättre än KF-modellen när det fanns acceleration. KF-modellen presterade bättre än GPR-modellen när målets bana betedde sig linjärt. Resultaten indikerar att GPR har potential som en algoritm för positionsprediktering.