在统计学中，互相关有时用来表示两个随机矢量X和Y之间的协方差cov（X, Y），以与矢量X的“协方差”概念相区分，矢量X的“协方差”是X的各标量成分之间的协方差矩阵。

在信号处理领域中，互相关（有时也称为“互协方差”）是用来表示两个信号之间相似性的一个度量，通常通过与已知信号比较用于寻找未知信号中的特性。它是两个信号之间相对于时间的一个函数，有时也称为滑动点积，在模式识别以及密码分析学领域都有应用。

对于离散函数fi和gi来说，互相关定义为

${\displaystyle (f\star <!--\; \star \; -->g{)}_i\equiv <!--\; \equiv \; -->\underset{j}{\sum <!--\; \sum \; -->}{f}_j^{\ast <!--\; \ast \; -->}{g}_{i+j}}$

其中和在整个可能的整数j 区域取和，星号表示复共轭。对于连续信号f （x）和 g （x）来说，互相关定义为

${\displaystyle (f\star <!--\; \star \; -->g,x)\equiv <!--\; \equiv \; -->\int <!--\; \int \; -->f^{\ast <!--\; \ast \; -->}(t)g(x+t)dt}$

其中积分是在整个可能的t区域积分。

互相关实质上类似于两个函数的卷积。

在统计学中，互相关有时用来表示两个随机矢量X和Y之间的协方差cov（X, Y），以与矢量X的“协方差”概念相区分，矢量X的“协方差”是X的各标量成分之间的协方差矩阵。

在信号处理领域中，互相关（有时也称为“互协方差”）是用来表示两个信号之间相似性的一个度量，通常通过与已知信号比较用于寻找未知信号中的特性。它是两个信号之间相对于时间的一个函数，有时也称为滑动点积，在模式识别以及密码分析学领域都有应用。

对于离散函数fi和gi来说，互相关定义为

${\displaystyle (f\star <!--\; \star \; -->g{)}_i\equiv <!--\; \equiv \; -->\underset{j}{\sum <!--\; \sum \; -->}{f}_j^{\ast <!--\; \ast \; -->}{g}_{i+j}}$

其中和在整个可能的整数j 区域取和，星号表示复共轭。对于连续信号f （x）和 g （x）来说，互相关定义为

${\displaystyle (f\star <!--\; \star \; -->g,x)\equiv <!--\; \equiv \; -->\int <!--\; \int \; -->f^{\ast <!--\; \ast \; -->}(t)g(x+t)dt}$

其中积分是在整个可能的t区域积分。

互相关实质上类似于两个函数的卷积。