高维统计检验（high dimensional statistical inference），理学-统计学-大数据统计分析-数据简化，在高维数据情形下，当自变量的维数随着样本量一起趋于无穷时所建立的统计检验理论。随着数据日趋复杂，数据的自变量维数相对于样本量而言越来越大，甚至远大于样本容量。而建立在自变量维数固定且相对较小、样本量趋于无穷的假设下的经典统计理论，已逐渐脱离了现实分析的需要，所构造的相应检验统计量也不再服从相应结论。因而，针对高维数据情况，在自变量的维数随着样本量一起趋于无穷的假设下，需要从高维的角度重新进行分析，建立相应的高维统计检验理论。J.奈曼和E.L.斯科特于1948年首次指出在高维数据情况下，经典的统计理论已不再适用；1996年，白志东和H.萨拉纳达萨（Hewa Saranadasa）证明了当维数接近样本量时，霍特林检验将会失去效力，并提出了新的检验方法；陈松蹊等在2010年针对该问题进行了进一步的改进，并在《高维数据统计推断方法》中，对经典的统计理论进行更新，针对高维数据情况，建立了相应的高维统计推断理论体系。