克里金法 源于地统计学，在统计学中也称为 高斯过程回归，是一种基于高斯过程的空间插值方法。在适当的先验假设下，克里金法在未采样位置提供最佳线性无偏预测 (BLUP)。该方法广泛应用于空间分析和计算机实验领域。该方法的理论基础由法国数学家 Georges Matheron 于 1960 年根据 Danie G. Krige 的硕士论文开发。 Krige 试图根据几个钻孔的样本来估计黄金最有可能的分布。

在面向二三维空间时，从数学上两者本质上是相同的。

两者之间的主要区别特征见下表：

Table 1. 区分克里金和现代高斯过程的主要特征

特征 高斯过程 克里金
Bayesian vs Frequentist 衍生自贝叶斯观点 衍生自频率派观点
目标 给定可用训练数据后，从后验高斯过程中进行采样。 给定有效测量后，获得目标变量的最佳线性无偏估计。
维度 没有维度限制，所有特征都可以作为预测变量，并天然形成一个高维空间。目标变量被认为是此高维空间中的一个函数。 为二维/三维空间分析而设计。虽然协同克里金法中会引入辅助变量，但同时增加了克里金方程的复杂性。
核函数 提供更灵活、更强大的非参数模型及可用核，能够通过一些基础核的加法和乘法组合新核，也可以通过谱方式构造新核。 虽然能够为经验变异函数拟合更复杂的函数，但大多数现有克里金工具只使用一些简单核函数，例如：球函数、指数函数、幂函数、Matérn 函数等。
超参数优化 高斯过程通常使用更自动化的方法来实现，超参数是通过最大化边缘（对数）似然来确定的，可以通过 MCMC 或 变分等方法进行推断。 依靠探索性数据分析和观察来识别和建模变异函数模型（可以被视为某种核函数），采用矩量法以得出最佳超参数。