1 基本概念
1.1 插值的定义
插值是指根据若干已知数据点，构造一个函数，使其在这些点上的取值与原数据完全一致或尽可能接近。若已知点来自某一连续函数的采样，插值的目的通常是恢复或重建该函数在采样点之间的变化趋势。与只关心点值不同，插值还强调在点与点之间形成平滑、可计算的连续表示。
1.2 插值问题的形式化表述
设已知一组节点及对应函数值 \[ (x_0,y_0),(x_1,y_1),\dots,(x_n,y_n), \] 其中节点两两不同。插值问题通常要求寻找一个函数 \(f(x)\)，使得 \[ f(x_i)=y_i,\quad i=0,1,\dots,n. \] 在更一般的情形下，还可以加入导数值、边界条件或多维采样条件，从而形成Hermite插值、样条插值或多维插值等不同模型。插值函数的形式可以是多项式、分段函数、样条函数或其他满足条件的函数族。
1.3 插值与拟合的区别
插值与拟合都用于从离散数据构造连续模型，但二者目标不同。插值要求构造的函数严格通过全部样本点，强调“点值一致”；拟合则允许结果偏离部分样本，以换取整体上的统计意义更优、抗噪声能力更强。若数据中存在测量误差或随机扰动，插值可能会放大噪声，而拟合通常更适合描述带噪数据的总体规律。
1.4 插值的适用范围与局限性
插值适用于数据来源可靠、采样密度足以反映原函数变化的场景，特别适合需要连续表达、局部求值或数值计算的任务。其局限主要体现在三方面：一是对噪声敏感，二是在高阶多项式情形下可能出现振荡，三是对节点分布较为依赖。若数据稀疏、变化剧烈或仅需粗略趋势，插值未必是最佳选择。
2 插值的数学基础
2.1 函数逼近
插值可以看作函数逼近的一种特殊形式，即在有限信息约束下，用一个可计算的函数去代表未知函数。函数逼近理论研究的是：在给定函数空间中，如何选择合适的近似函数，使误差尽可能小。插值则在“通过节点”这一额外条件下进行逼近，因此兼具约束性与构造性。
2.1.1 逼近误差
逼近误差通常指原函数与插值函数之间的差值。对于连续足够光滑的函数，误差往往与节点间距、插值阶数以及函数导数的大小有关。一般来说，节点越密集，误差越小；但若方法本身不稳定，单纯增加阶数并不一定带来更好的效果。
2.1.2 收敛性
收敛性讨论的是，当节点数增加或网格细化时，插值函数是否趋近于原函数。对于某些规则节点和光滑函数，插值序列可以逐步收敛；但在某些高阶多项式插值中，即使节点数增多，也可能出现局部振荡或误差恶化。收敛性通常与节点分布、函数光滑程度和插值形式共同相关。
2.2 线性空间与基函数
插值问题常在函数空间中处理。若将待求函数表示为一组基函数的线性组合，则插值条件会转化为线性代数方程组。常见基函数包括幂函数基、Lagrange基和局部支撑基等。不同基函数会影响计算效率、数值稳定性以及结果表达的简洁程度。
2.3 节点与插值条件
节点是插值中已知数据所在的位置，也是约束条件的施加点。节点的选择直接决定插值结果的形态与稳定性。插值条件不仅可以是函数值相等，还可以扩展为导数、积分平均值或边界行为等要求。节点越规则、分布越合理，插值通常越容易获得良好表现。
3 一维插值方法
3.1 多项式插值
多项式插值使用一个次数不超过 \(n\) 的多项式通过 \(n+1\) 个节点，是最经典的一类插值方法。其优点是表达清晰、计算形式统一，缺点是当阶数较高时可能出现振荡，且在复杂数据上稳定性有限。
3.1.1 拉格朗日插值
拉格朗日插值通过构造一组满足“在某一节点取1、其余节点取0”的基多项式，直接写出插值多项式。它的公式形式直观，适合理论分析，但若节点数较大，重复计算成本较高，不利于动态更新数据。
3.1.2 牛顿插值
牛顿插值利用差商构造插值多项式，具有递推性强、便于增量添加节点的特点。与拉格朗日形式相比，牛顿形式更适合逐步扩展数据集，也常用于手工计算和程序实现。其系数与差商表密切相关，结构较为紧凑。
3.1.3 插值多项式的唯一性
在节点两两不同的条件下，次数不超过 \(n\) 的插值多项式若存在，则是唯一的。这一结论说明：给定 \(n+1\) 个互异节点和对应函数值后，满足条件的低于等于 \(n\) 次多项式至多只有一个。唯一性是多项式插值理论的重要基础。
3.2 分段多项式插值
分段多项式插值将整体区间划分为若干小区间，在每个小区间内使用低次多项式逼近原函数。与单个高次多项式相比，分段方法通常更稳定，也更容易兼顾局部精度与整体平滑性。
3.2.1 分段线性插值
分段线性插值在相邻节点之间用直线连接，是最简单的局部插值方式。它计算量小、实现容易，适用于数据变化平缓或只需快速估算的场合。其不足在于导数不连续，曲线外观较为折线化。
3.2.2 分段二次插值
分段二次插值在每个小区间上采用二次多项式，能够比线性插值更好地反映局部弯曲特征。该方法在精度与复杂度之间有一定平衡，但在拼接处仍需额外处理连续性条件，否则可能出现斜率不连贯。
3.2.3 分段三次插值
分段三次插值常用于需要较高平滑度的场景。三次多项式既能提供较好的局部表达能力，又便于控制函数值和一阶、二阶导数的连续性。许多实际中的样条方法可视为分段三次插值的特殊形式。
3.3 样条插值
样条插值是一类以分段低次多项式构造的插值方法，强调在节点处具有较高阶的连续性。它在数值分析、计算机图形和工程设计中应用广泛，通常比整体高阶多项式更稳定。
3.3.1 线性样条
线性样条实际上就是分段线性插值。虽然形式简单，但它常作为更高阶样条的基础模型，也适合对实时性要求较高、精度要求一般的任务。
3.3.2 三次样条
三次样条是应用最广的样条之一。它在每个区间上采用三次多项式，并在节点处保证函数值及若干阶导数连续，因此曲线光滑、局部控制性较强。三次样条常用于曲线重建、轨迹生成和数据平滑显示。
3.3.3 端点条件
样条插值除了内部连续性条件外，还需要端点条件来确定唯一解。常见处理方式包括指定端点一阶导数、二阶导数，或采用自然边界条件。端点条件会影响整体曲线在边界附近的形状，因此在建模时具有实际意义。
4 多维插值
4.1 双线性插值
双线性插值用于二维规则网格上的四个邻近点。它先在一个方向做线性插值，再在另一个方向组合结果，因此计算简单、速度较快。此方法常用于图像缩放和二维数据重采样，但平滑性有限。
4.2 双三次插值
双三次插值在二维网格中使用三次多项式及其组合，较双线性插值能得到更平滑的结果，尤其在图像处理中常用于较高质量的缩放。其代价是计算量增加，对邻域数据的依赖也更强。
4.3 三线性插值
三线性插值是双线性插值在三维空间中的推广，常用于体数据、三维网格和物理场重采样。它根据一个立方体内的八个顶点值逐层线性组合，结构清晰，适合规则网格上的快速计算。
4.4 散乱点插值
散乱点插值针对节点分布不规则、无法直接形成规则网格的情形。它常用于地理数据、实验测量点和复杂几何上的采样重建。由于点位不整齐，这类方法往往需要借助邻域搜索、权重函数或统计模型。
4.4.1 最近邻方法
最近邻方法用离目标点最近的已知样本值作为插值结果。它实现最为简单，速度也快，但结果通常不平滑，边界处可能出现明显跳变。该方法更适合作为粗略近似或初步估计。
4.4.2 径向基函数插值
径向基函数插值通过以距离为自变量的基函数构造全局或局部插值模型。它对散乱点分布具有较强适应性，能够在较复杂数据上给出平滑结果。常见径向基函数包括高斯型、多二次型和薄板样条型等。
4.4.3 克里金插值
克里金插值源于地统计学，利用样本之间的空间相关性进行估计。它不仅关注数值本身，也考虑空间分布结构，因此在地表数据、环境数据和资源勘测中较为常见。该方法通常伴随误差估计，具有一定统计解释。
5 插值误差与稳定性
5.1 误差估计
插值误差估计用于判断插值结果与真实函数之间可能存在的偏差。误差大小通常受函数光滑程度、节点间距、插值阶数及插值基的影响。通过误差估计，可以比较不同方法的适用性，并指导节点布置和模型选择。
5.2 龙格现象
龙格现象是高阶多项式插值中的典型问题，表现为在区间端点附近出现剧烈振荡，即使原函数本身较为平滑也可能如此。该现象说明“提高次数”并不等于“提高质量”，尤其在等距节点下更容易发生。分段插值和样条方法通常能有效缓解这一问题。
5.3 条件数与数值稳定性
插值计算往往涉及线性方程组或基函数展开，其稳定性与条件数密切相关。条件数较大时，输入数据的微小扰动可能导致输出显著变化。数值稳定性好的插值方法应尽量减少舍入误差传播，并避免不必要的病态矩阵。
5.4 节点选择策略
合理的节点选择是提升插值质量的重要手段。对于多项式插值，非均匀节点常比等距节点更能抑制振荡；对于样条插值，节点密度可依据函数变化快慢进行调整；对于散乱点插值，则需要兼顾覆盖范围与局部代表性。节点策略往往比单纯提高阶数更有效。
6 插值算法与计算实现
6.1 直接计算法
直接计算法是指按照插值公式逐项求值，例如直接使用拉格朗日公式或显式多项式表达式。其优点是思路简单、便于验证，缺点是当节点数较多时计算代价较高，并可能带来较大的数值误差。
6.2 递推计算法
递推计算法通过差商、递推基函数或局部更新方式构造插值结果，常见于牛顿插值和样条求解。与直接法相比，递推法更适合程序实现，也便于在数据增删时重新计算部分结果，具有较好的扩展性。
6.3 插值表构造
插值表通常指为计算方便而预先整理出的节点、差商、系数或局部权重表。通过查表可以减少重复运算，提高实时应用中的效率。对规则网格数据，插值表尤其适合与预处理、缓存和快速索引机制结合使用。
6.4 数值软件中的插值功能
现代数值软件通常提供多种插值工具，包括一维插值、样条插值、多维网格插值和散乱点插值等。用户一般只需指定节点数据、方法类型和边界条件即可得到结果。这类功能降低了使用门槛，但在处理高精度或特殊约束问题时，仍需理解底层算法特性。
7 插值的应用
7.1 科学计算
在科学计算中，插值常用于数值积分、微分方程求解、函数表重建和物理场重采样。很多时候，原始模型只在离散网格上已知，而后续计算需要连续值，这时插值便成为连接离散解与连续分析的关键环节。
7.2 工程设计
工程设计中常借助插值描述曲面、轨迹、材料曲线和实验标定数据。它能够将测得的离散信息转化为可用于设计、控制和仿真的连续模型。例如，在机械设计和结构分析中，样条曲线常用于平滑轮廓与路径规划。
7.3 计算机图形学
图形学中的缩放、纹理映射、曲线建模和动画轨迹生成都离不开插值。像素放大时常使用双线性或双三次插值来改善视觉效果；在角色动画中，关键帧之间也常通过插值生成平滑过渡。插值质量会直接影响画面细节与运动流畅度。
7.4 信号处理
在信号处理中，插值用于采样率转换、缺失样本补全和波形重建。理想重建依赖于特定理论条件，而实际系统通常采用有限长度、可计算的插值方案。不同插值器会对频谱特性和平滑性产生不同影响，因此需要结合应用目标选择。
7.5 数据分析与可视化
数据分析中，插值可用于填补缺失值、生成趋势曲线、构造热力图或等值面。可视化场景中，插值帮助离散点集形成连续图像，使数据模式更易观察。不过在存在异常值或采样偏差时，插值结果可能带来误导，因此需要与数据清洗和误差评估结合使用。
8 相关概念与扩展
8.1 外推
外推是利用已知数据在节点范围之外估计函数值的方法。与插值不同，外推面对的是无直接观测支撑的区域，因此不确定性通常更高，风险也更大。实际应用中，插值结果用于区间内更可靠，而外推往往仅能作近似参考。
8.2 曲线拟合
曲线拟合通过最小化误差在整体上逼近数据，不要求穿过全部样本点。它更适合含噪数据和统计建模任务。与插值相比，拟合强调整体趋势；与之配合使用时，常先拟合后插值，或先插值后平滑处理。
8.3 近似理论
近似理论研究如何用简单函数族逼近复杂函数，是插值与拟合的重要理论背景。它涉及误差界、函数空间、最佳逼近和收敛性质等问题。插值可以看作近似理论中的一个具体分支，但它附加了严格通过节点的条件。
8.4 有理插值
有理插值采用分子分母均为多项式的有理函数来构造插值模型。相比纯多项式插值，它在某些具有尖峰、奇异行为或快速变化的函数上更具表达能力。其缺点是形式更复杂，且分母可能带来额外的数值处理问题。
8.5 保形插值
保形插值强调保持原数据的单调性、凸性或形状特征，避免出现不合理的波动或过冲。它在金融曲线、物理量曲线和工程标定曲线中较有价值。相比追求高阶光滑，保形插值更重视结果的几何一致性与解释性。