1. 最近邻插值核心思想： 寻找距离未知点 x 最近的已知数据点 x_i，并将其值 y_i 直接赋予 x。
特点与优势：
计算速度极快：只需比较距离，无需复杂计算。保持原值：插值结果永远是原始样本值之一，不会产生新的值。不连续：插值后的函数是阶跃的，不光滑。缺点：
精度最低，误差较大。生成图像或曲线会有明显的“块状”或“锯齿”效应。示例：
计算距离：|2.5-2| = 0.5, |2.5-3| = 0.5
结论：x=2.5 离 x=2和x=3的距离一样，可以增加新策略，比如选小的方向，则插值结果：y = 4。
主要应用： 图像放大（当需要保持锐利边缘且不引入新颜色时，如像素艺术）、快速预览。
2. 线性插值核心思想： 认为相邻两个已知点之间的变化是线性的，通过连接两点的线段来估计未知点的值。
特点：
计算简单，效率高。结果连续，避免了最近邻法的跳跃感。比高阶多项式插值更稳定，不会出现疯狂的振荡。插值结果不平滑（在节点处不可导，一阶导数不连续）。精度高于最近邻但低于高阶方法。示例：
已知点：(1, 1), (2, 4), (3, 9)，求 x=2.5的值。
插值结果：y = 6.5。
3. 多项式插值 (Polynomial)核心思想： 寻找一个唯一的 n 阶多项式 P(x) ，使其恰好通过所有 n+1 个已知数据点。
3.1 拉格朗日插值核心思想： 构造一组拉格朗日基多项式 Li(x)Li(x)，每个 Li(x) 在 x=xi 处为 1，在其他已知点 xj(j≠i)处为 0，最终插值多项式P(x)是这些基多项式的线性组合，形式分别为：
特点：
i(xj)={1if j=i0if j
示例：
已知点：(1, 1), (2, 4), (3, 9)，求 x=2.5的值。
构造基多项式：
3.2 牛顿插值核心思想： 使用均差来逐步构造多项式，形式为：
P(x)=a0+a1(x−x0)+a2(x−x0)(x−x1)+...特点：
计算效率高 O(n2)：增加一个新数据点时，只需在现有多项式后增加一项，无需重新计算所有项，这在动态获取数据时非常有用。数值计算上通常比拉格朗日形式更稳定。同样受到龙格现象的困扰。示例
已知点：(1, 1), (2, 4), (3, 9)，求 x=2.5的值。
构造均差表：
从表中得到系数：
4. 样条插值核心思想： 为了解决高阶多项式插值的龙格现象，采用“分而治之”的策略，使用分段低阶多项式（最常用的是三次多项式）来连接所有数据点，并强制要求连接点处具有连续的一阶和二阶导数，从而保证整体曲线的光滑性，最常用三次样条插值。
特点：
极其光滑：整体曲线具有连续的二阶导数，视觉效果非常好。非常稳定：避免了龙格现象，对于任意分布的数据点都能得到良好的结果。精度高：是实践中最常用、最可靠的插值方法之一。计算复杂：需要求解一个三对角线性方程组来确定所有分段多项式的系数。示例：
已知点：(1, 1), (2, 4), (3, 9)，求 x=2.5的值。
建立方程组
设三个节点为 x₀=1, x₁=2, x₂=3，对应的函数值为 y₀=1, y₁=4, y₂=9。
分别找到两个三次多项式：
S₀(x) = a₀ + b₀(x-1) + c₀(x-1)² + d₀(x-1)³，在区间 [1,2] 上
S₁(x) = a₁ + b₁(x-2) + c₁(x-2)² + d₁(x-2)³，在区间 [2,3] 上插值条件
S₀(1) = a₀ = 1
S₀(2) = a₀ + b₀ + c₀ + d₀ = 4
S₁(2) = a₁ = 4
S₁(3) = a₁ + b₁ + c₁ + d₁ = 9一阶导数连续性（在 x=2 处）
S₀’(2) = b₀ + 2c₀ + 3d₀
S₁’(2) = b₁
S₀’(2) = S₁’(2)二阶导数连续性（在 x=2 处）
S₀’‘(2) = 2c₀ + 6d₀
S₁’‘(2) = 2c₁
S₀’‘(2) = S₁’'(2)自然边界条件
S₀’‘(1) = 2c₀ = 0
S₁’'(3) = 2c₁ + 6d₁ = 0求解方程组
根据上述条件，我们得到以下方程组：
方程1：a₀ = 1
方程2：a₀ + b₀ + c₀ + d₀ = 4
方程3：a₁ = 4
方程4：a₁ + b₁ + c₁ + d₁ = 9
方程5：b₀ + 2c₀ + 3d₀ = b₁
方程6：2c₀ + 6d₀ = 2c₁
方程7：2c₀ = 0
方程8：2c₁ + 6d₁ = 0
从方程7得：c₀ = 0
代入方程6：6d₀ = 2c₁ ⇒ c₁ = 3d₀
代入方程2：1 + b₀ + 0 + d₀ = 4 ⇒ b₀ + d₀ = 3
代入方程5：b₀ + 0 + 3d₀ = b₁ ⇒ b₁ = b₀ + 3d₀
代入方程4：4 + b₁ + c₁ + d₁ = 9 ⇒ b₁ + c₁ + d₁ = 5
代入方程8：2c₁ + 6d₁ = 0 ⇒ 6d₀ + 6d₁ = 0 ⇒ d₀ + d₁ = 0 ⇒ d₁ = -d₀
现在新增关系：
b₁ = b₀ + 3d₀
c₁ = 3d₀
d₁ = -d₀
代入 b₁ + c₁ + d₁ = 5：
(b₀ + 3d₀) + 3d₀ + (-d₀) = 5 ⇒ b₀ + 5d₀ = 5
之前有 b₀ + d₀ = 3
解这两个方程：
b₀ + d₀ = 3
b₀ + 5d₀ = 5
相减得：4d₀ = 2 ⇒ d₀ = 0.5
代入得：b₀ = 3 - 0.5 = 2.5
进一步得出：
b₁ = 2.5 + 3×0.5 = 4
c₁ = 3×0.5 = 1.5
d₁ = -0.5得到样条函数
对于区间 [1,2]：S₀(x) = 1 + 2.5(x-1) + 0(x-1)² + 0.5(x-1)³
对于区间 [2,3]：S₁(x) = 4 + 4(x-2) + 1.5(x-2)² - 0.5(x-2)³计算 x=2.5 的值
x=2.5 位于区间 [2,3]，所以使用 S₁(x)：
S₁(2.5) = 4 + 4(2.5-2) + 1.5(2.5-2)² - 0.5(2.5-2)³
= 4 + 4×0.5 + 1.5×0.25 - 0.5×0.125
= 4 + 2 + 0.375 - 0.0625
= 6.31255. 总结与对比
为了更直观地比较，下表总结了各方法的核心特性：
方法
核心思想
光滑性
计算效率
精度/稳定性
缺点
最近邻
直接取最近点的值
不连续
极高
最低
锯齿状，误差大
线性
用直线连接相邻点
C00 连续
高
中等
节点处有“尖角”
多项式
单一天价多项式穿过所有点
C∞ 无限光滑
低
不稳定（龙格现象）
高阶振荡，数值不稳定
三次样条
分段三次多项式，节点光滑
C2 连续（非常光滑）
中等
高且稳定
实现相对复杂