近些年来,统计学习作为一门新型学科,无论是在理论还是在应用方面都得到了巨大的发展,有许多重大的突破,并被成功的应用到模式识别、数据挖掘、自然语言处理、语音识别、图像识别、信息检索等许多计算机领域中。模型的选择和评估在统计学习中起着至关重要的作用,因为模型的好坏直接影响预测的准确性。在模型的选择和评估方面,已经有许多的方法被提出和应用到实际中,其中交叉验证由于其简洁性和普遍性被认为是一种行之有效的办法,尤其是在可用的数据较少的情况下,通过对数据的有效重复利用,交叉验证充分显示了其在模型选择方面的诸多优点。交叉验证的主要思想是将数据分成两部分,一部分用于模型的训练,另一部分用于对训练好的模型进行预测误差的估计,最后选择预测误差最小的模型作为最优模型。另外,由于对数据切分方式和切分次数的不同交叉验证已经生成了许多种不同的方法,如何针对手中的数据选用合适的交叉验证方法已经成为了人们研究的重点。针对交叉验证的有关问题,许多学者进行了大量的研究,得出了许多卓有成效的结果,但仍有许多问题没有得到解决。本文主要是对前人的研究成果进行一次全面的总结,在一个统一的框架下对研究成果进行一次梳理,分析前人的研究成果,为后继研究者们提供有用线索,并就统计学习中如何根据已有数据用交叉验证进行模型选择给出规律性建议。