La predicción precisa de las trayectorias de objetivos espaciales es crítica para la defensa aeroespacial y la conciencia situacional espacial, sin embargo, sigue siendo un desafío debido a la dinámica no lineal compleja, el ruido de medición y las incertidumbres ambientales. Este estudio propone un marco de fusión de modelos dual basado en la confianza que procesa por separado los componentes de trayectoria lineales y no lineales para mejorar la precisión y robustez de la predicción. La red de Memoria a Largo y Corto Plazo Convolucional Basada en Atención (AC-LSTM) está diseñada para capturar patrones de movimiento no lineales aprovechando mecanismos de atención temporal y capas convolucionales, mientras que también estima niveles de confianza a través de un enfoque de aprendizaje multitarea basado en la relación señal-ruido (SNR). En paralelo, el Filtro de Kalman (KF) modela de manera eficiente los componentes de movimiento cuasi-lineales, estimando dinámicamente su confianza a través del monitoreo residual en tiempo real. Un mecanismo de fusión ponderado por confianza integra de manera adaptativa las predicciones de ambos modelos, mejorando significativamente el rendimiento general de la predicción. Los resultados experimentales en datos de trayectoria ruidosa basados en radar simulados demuestran que el método propuesto supera a los algoritmos convencionales, ofreciendo una precisión y robustez superiores. Este enfoque tiene un gran potencial para aplicaciones en conciencia situacional espacial, seguimiento de objetos orbitales y predicción de trayectorias espaciales.