克里金法（Kriging）是依据协方差函数对随机过程/随机场进行空间建模和预测（插值）的回归算法。在特定的随机过程，例如固有平稳过程中，克里金法能够给出最优线性无偏估计（Best Linear Unbiased Prediction， BLUP），因此在地统计学中也被称为空间最优无偏估计器（spatial BLUP）。对克里金法的研究可以追溯至二十世纪60年代，其算法原型被称为普通克里金（Ordinary Kriging， OK），常见的改进算法包括泛克里金（Universal Kriging， UK）、协同克里金（Co-Kriging， CK）和析取克里金（Disjunctive Kriging， DK）；克里金法能够与其它模型组成混合算法。若协方差函数的形式等价，且建模对象是平稳高斯过程，普通克里金的输出与高斯过程回归（Gaussian Process Regression， GPR）在正态似然下输出的均值和置信区间相同，有稳定的预测效果。克里金法是典型的地统计学算法，被应用于地理科学、环境科学、大气科学等领域。