软间隔（soft margin），理学-计算机科学技术-人工智能-机器学习-统计学习，机器学习中主要研究在不同类别的数据难以线性可分的情况下，如何构造数据的划分超平面的核方法的技术。在机器学习中，软间隔是一种支持向量机（support vector machine, SVM）的形式，用于构造数据的划分超平面。与之相对的概念称为硬间隔（hard margin）。给定训练集，支持向量机找到一个划分超平面，将不同训练样本分类。若训练样本在样本空间或特征空间线性可分，即存在一个划分超平面能将所有训练样本正确分类时，那么可以在两个类之间构造出一个最大间隔的超平面。这样的间隔称为硬间隔。在现实任务中难以确定合适的核函数（kernel function），使得训练样本在特征空间中线性可分。若使用复杂度很高的核函数将训练样本强行分开，容易产生过拟合现象，导致模型的泛化性能下降。使用软间隔的划分方式，允许支持向量机在一些样本的分类上出错，以此缓解上述问题。