高斯过程回归（Gaussian Process Regression, GPR）是使用
高斯过程（Gaussian Process, GP）先验对数据进行回归分析的
非参数模型（non-parameteric model）
。
GPR的模型假设包括噪声（回归残差）和高斯过程先验两部分，其求解按
贝叶斯推断（Bayesian inference）进行
。若不限制核函数的形式，GPR在理论上是紧致空间（compact space）内任意
连续函数的通用近似（universal approximator）。此外，GPR可提供预测结果的后验，且在
似然为正态分布时，该后验具有解析形式。因此，GPR是一个具有泛用性和可解析性的
概率模型
。
基于高斯过程及其核函数所具有的便利性质，GPR在时间序列分析、图像处理和自动控制等领域的问题中有得到应用
。GPR是计算开销较大的算法，通常被用于低维和小样本的回归问题
，但也有适用于大样本和高维情形的扩展算法
。
