高斯过程（Gaussian Process, GP）是 概率论和 数理统计中 随机过程（stochastic process）的一种，是一系列服从 正态分布的 随机变量（random variable）在一指数集（index set）内的组合   。

高斯过程中任意随机变量的 线性组合都服从正态分布，每个有限维分布都是联合正态分布，且其本身在连续指数集上的 概率密度函数即是所有随机变量的高斯测度，因此被视为联合正态分布的无限维广义延伸   。高斯过程由其 数学期望和 协方差函数完全决定，并继承了正态分布的诸多性质   。

高斯过程的例子包括 维纳过程、奥恩斯坦-乌伦贝克过程等   。对高斯过程进行建模和预测是 机器学习、 信号处理等领域的重要内容，其中常见的模型包括 高斯过程回归（Gaussian Process Regression, GPR）和高斯过程分类（Gaussian Process Classification, GPC）   。高斯过程的命名来自德国数学家 卡尔·弗里德里希·高斯（Carl Friedrich Gauss）以纪念其提出 正态分布概念。