均值漂移（mean shift），工学-信息与通信工程-模式识别-统计模式识别-概率密度估计-均值漂移，搜索核密度函数局部最优模式的非参数方法。均值漂移方法最初于1975年由研究者提出，并随后在图像平滑与分割、聚类分析、纹理分类和视频跟踪等诸多底层计算机视觉问题的求解中得到广泛应用。在计算机视觉和模式识别应用中，特征空间是相当复杂的，而且伴有噪声。因此从统计的角度来看，对这些特征很难采用一个普通的参数分布模型来描述。在缺乏关于概率密度函数形式的先验知识时，核密度估计（kernel density estimator，KDE）可以直接利用样本对分布密度进行表达，该方法已经被广泛地应用于分析任意结构的特征空间。KDE以样本数据为中心，并有一个带宽参数来控制待估计密度函数的光滑程度。一般来说，样本数据越多，则带宽参数越小，密度函数估计得越好。均值漂移算法采用固定点迭代的方式求解KDE的梯度方程。