好吧，答案的细节将取决于您对一般随机过程的了解程度。如果您知道随机过程是随机变量的集合，那么高斯过程就是其中 所有随机变量都是高斯（也称为正态）随机变量的过程；更强烈地，它们是联合高斯随机变量。在 dsp.SE 的回答中，我部分写道

最后，假设随机过程被假定为高斯过程（以任何合理程度的置信度“证明”这一点并非易事）。这意味着对于每个$t$,$X(t)$是一个高斯随机变量，对于所有正整数$n \geq 2$和选择$n$时间瞬间$t_1$,$t_2$,$\ldots, t_n$， 这$N$ 随机变量$X(t_1)$,$X(t_2)$,$\ldots, X(t_n)$是联合高斯随机变量。现在一个联合高斯密度函数完全由随机变量的均值、方差和协方差确定，在这种情况下，知道均值函数$\mu_X(t) = E[X(t)]$（它不必是广义平稳性所需的常数）和自相关函数$R_X(t_1, t_2) = E[X(t_1)X(t_2)]$对全部$t_1, t_2$（它不仅需要依赖于$t_1-t_2$正如广义平稳性所要求的那样）足以完全确定过程的统计数据。

如果这些对您来说都没有意义，请尝试阅读 dsp.SE 上的完整答案。

伊甸园的这个简短教程：回归的高斯过程：快速介绍，是我能想到的最简单和最直接的材料，可以让你快速了解 GP 的速度，我认为它应该花不到一两个小时。威廉姆斯的优秀教程论文稍长一些： 高斯过程预测：从线性回归到线性预测等。最后，“终极”通用资源是Gaussian Process 网站；它有教程、按应用领域分类的论文、软件实现等。

如果您喜欢听讲座，请查看2006 年在布莱切利公园举行的讲座。许多大牌（例如 MacKey、Williams、Rasmussen 等）和各种应用程序跨越。（一般来说，Videolectures 网站上有大量关于 ML 的材料。）

（显然 +1 给 Dilip；这是 DSP-SE 网站上的一篇很棒的帖子！）

我正在攻读博士学位的高斯过程。是的，一开始很混乱。我强烈推荐这个 YouTube 视频讲座作为从回归角度理解高斯过程的最佳资源。