馬氏距離（Mahalanobis distance）是由印度統計學家P. C. Mahalanobis提出的，用於表示點與一個分布之間的距離。它是一種有效的方法，用於計算兩個未知樣本集之間的相似度。與歐氏距離不同，馬氏距離考慮到變數之間的聯繫，並且是尺度無關的（scale-invariant），這意味著它不受測量尺度的影響。
對於均值為μ、協方差矩陣為Σ的多變數向量，其馬氏距離的計算公式為：
(D_M = \sqrt{(x - \mu)^{\prime} \Sigma^{-1} (x - \mu)})
當協方差矩陣為單位矩陣時，馬氏距離簡化為歐氏距離。如果協方差矩陣為對角陣，則稱為正規化的馬氏距離。
馬氏距離在度量學習、相似度學習和主成分分析中有廣泛套用。它能夠處理高維線性分布的數據中各維度間非獨立同分布的問題，因此在模式識別、數據分析和機器學習等領域有著重要的套用。