平滑算法通常用于从数据集中去除周期性成分，同时保持长期趋势。例如，每月抽样一次的时间序列数据往往会呈现季节性波动。12个月移动平均线过滤器将去除季节性成分，同时保留长期趋势。
另外，平滑算法可以用来生成描述性模型用于探索性数据分析。当指定描述一组变量之间关系的参数模型不切实际时，经常使用这种技术。
信号或时间序列平滑技术被用于一系列学科，包括信号处理、系统识别、统计学和计量经济学。
常用的平滑算法包括:
- 洛斯和黄土: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
- 平滑样条函数:曲线拟合的非参数方法
- 自回归移动平均(ARMA)滤波器当数据显示串行自相关时使用的过滤器
- Hodrick-Prescott过滤器:通过提取季节成分来平滑计量时间序列的滤波器
- Savitzky-Golay平滑滤波器:当信号含有应保留的高频信息时使用的滤波器
- 巴特沃斯滤波器:在信号处理中用来去除高频噪声的滤波器
有关平滑的更多信息，请参阅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™，系统辨识工具箱™,信号处理工具箱™．
