VC维理论（VC dimension theory），理学-计算机科学技术-计算机应用-多媒体计算-模式识别-模式识别理论，统计学习理论的核心问题是分析算法的泛化能力。理论结果表明，算法的泛化能力依赖于假设空间的复杂度。VC维是一种度量假设空间复杂度的经典方法，它的出现推动了统计学习理论的早期发展。对于二分类问题，假设空间包含从特征空间到标记空间的函数。在数据集上的限制（restriction）为定义假设空间的增长函数（growth function）为增长函数表示假设空间对个样本所能赋予标记的最大可能数。中的函数对数据集的每种可能的标记结果称为对的一种对分（dichotomy）。如果假设空间能够实现数据集的所有对分，即，则称数据集能被打散（shattering）。VC维定义为假设空间可以打散的最大数据集的数目，即代表存在大小为的数据集能被打散，但是任意大小为的数据集都不能被打散。1971年，万普尼克（Vapnik）和切沃嫩基斯（Chervonenkis）提出VC维的概念，但是只针对二分类模型。1989年，学者们将VC维的应用范围扩展到多分类问题。