近似熵（ApEn）是一種用於衡量時間序列複雜性和不規則性的非線性動力學參數。它是由Steven M. Pincus於1991年提出的，主要用於描述時間序列中新模式出現的機率。
近似熵的定義是基於時間序列中相鄰的m個點所形成的折線段的模式與由m+1個點形成的折線段的模式之間的相似性。其值越大，表示時間序列越複雜，越不規則；其值越小，則表示時間序列越簡單，越有規律。
近似熵的計算需要選擇兩個參數：模式維數m和相似容限r。通常，m的值為2或3，而r通常選擇為原時間序列標準差的0.2倍。這種算法對於數據量要求不高，一般在100到5000點之間，因此在實際套用中非常實用。
近似熵在生理信號處理、故障診斷、語音識別等領域有廣泛的套用。例如，在腦電圖(EEG)信號分析中，近似熵可以用來評估大腦活動的複雜性和不規則性。
此外，近似熵還具有較好的抗噪和抗干擾能力，能夠有效地從被噪聲污染的時間序列中提取有用的信息。