平滑算法通常用于从数据集中删除周期性成分，同时保留长期趋势。例如，每月采样一次的时间序列数据通常表现出季节性波动。十二个月移动平均滤波器将去除季节性成分，同时保持长期趋势。
或者，平滑算法可用于生成用于探索性数据分析的描述性模型。当无法指定描述一组变量之间关系的参数模型时，通常使用此技术。
信号或时间序列平滑技术用于一系列学科，包括信号处理、系统识别、统计学和计量经济学。
常见的平滑算法包括：
- 洛维斯和黄土：使用局部回归模型的非参数平滑方法
- 内核平滑：光滑分布函数的非参数建模方法
- 平滑样条线：曲线拟合的非参数方法
- 自回归移动平均（ARMA）滤波器：数据显示串行自相关时使用的过滤器
- 霍德里克普雷斯科特过滤器：通过提取季节性成分平滑计量经济时间序列的过滤器
- Savitzky–Golay平滑过滤器：当信号具有应保留的高频信息时使用的滤波器
- 巴特沃斯过滤器：信号处理中消除高频噪声的滤波器
有关平滑的详细信息，请参见统计和机器学习工具箱™,曲线拟合工具箱™,计量经济学工具箱™,系统识别工具箱™和讯号处理工具箱™.
