高维算法（algorithm for high dimensional data），理学-统计学-大数据统计分析-数据简化，用来处理高维数据的算法。发展背景高维数据在科学研究和社会生产、生活中是普遍存在的，它们在为研究或监测对象提供更加详细全面的描述的同时，也给进一步的数据处理带来相应的问题和困难：第一，通常情况下，利用距离测度（如欧式距离、马氏距离等）度量数据样本之间的相似性程度，在数据特征维度不高于10维的低维特征空间中是有效的，随着数据特征维数的不断增加，数据观测样本之间的距离对比度将会明显减小，从而导致基于距离测度的相似性度量的有效性大大降低；第二，传统的多元统计分析方法在处理实际数据时主要依赖于大样本理论（large sample theory），而数据在高维观测空间中通常是稀疏分布的，与空间维数相比，观测样本的数量总是相对较少，因此，大样本理论并不适合于高维数据分析；第三，数据特征维度的增加使得数据分析和处理的复杂度呈指数增长、数据存储量大大增加，造成所谓的“维度灾难”（curse of dimensionality）。