典型相關分析（Canonical Correlation Analysis，簡稱CCA）是一種研究兩組變數之間相關關係的多元統計方法，它能夠揭示出兩組變數之間的內在聯繫。當一元統計分析中的相關係數和復相關係數無法滿足研究兩組變數之間相關關係的需求時，CCA應運而生。
CCA的基本思想是通過在每組變數中尋找變數的線性組合，使得這兩組的線性組合之間具有最大的相關係數。這些線性組合被稱為典型變數，它們之間的相關係數則稱為典型相關係數。算法的目標是在所有可能的線性組合中選取典型相關係數最大的那對，然後繼續選取與已選取的線性組合不相關的另一對線性組合，直至兩組變數的相關性被完全提取。
CCA的套用場景廣泛，例如在生物學和醫學研究中，可以通過CCA分析不同數據集之間的關係，如基因表達數據、代謝組數據等。此外，CCA也可以用於數據降維，將高維數據投影到低維空間，從而簡化數據分析的過程。
優點：
能夠處理高維數據，通過降維揭示變數間的關係。
適用於研究兩組變數之間的複雜關係，尤其是當這些變數具有多個維度時。
缺點：
對於數據的預處理要求較高，如標準化或中心化。
在處理非線性關係時可能不夠準確，需要結合其他方法。
在實際套用中，CCA通常與其他統計或機器學習方法結合使用，以獲得更準確的結果和更深入的理解。