Como fuente pública principal de datos de trayectoria de satélites, el conjunto de Elementos de Dos Líneas (TLE) ofrece parámetros orbitales fundamentales para misiones espaciales. Sin embargo, para satélites con baja calidad de datos, los modelos tradicionales de redes neuronales a menudo no rinden bien, dificultando las predicciones precisas de órbitas y satisfaciendo las demandas en la operación de satélites y la planificación de misiones espaciales. Para abordar esto, se propone una estrategia de mejora de predicción de trayectoria basada en el aprendizaje federado. Los satélites con baja eficiencia de entrenamiento y órbitas similares se agrupan para el aprendizaje colaborativo. Cada satélite utiliza un modelo de Red Neuronal Convolucional (CNN) para extraer características de datos históricos de error de predicción. El servidor optimiza el modelo global a través del algoritmo de Promedio Federado, aprendiendo más patrones orbitales y mejorando la precisión. Los resultados experimentales confirman la efectividad del método, con un aumento notable en la precisión de predicción en comparación con los métodos tradicionales, validando la ventaja del aprendizaje federado. Además, se explora la combinación del aprendizaje federado con modelos básicos de redes neuronales como el Perceptrón Multicapa (MLP), la Memoria a Corto y Largo Plazo (LSTM), la Red Neuronal Recurrente (RNN) y la Unidad Recurrente con Puerta (GRU). Los resultados indican que integrar el aprendizaje federado puede mejorar considerablemente la predicción de satélites, abriendo nuevas posibilidades para la predicción orbital futura y el desarrollo de tecnología espacial.