在机器学习理论中，Vapnik-Chervonenkis 维度或 VC 维度，指的是一个 概念类 
可以分散的最大集合 
的基数。如果任意大的集合可以被 
分散，那么 VC 维度被认为是 
。 给定一个概念类 
，
的 VC 维度有时记为 
。
有几种模型用于可视化分散的过程，因此存在许多不同的 Vapnik-Chervonenkis 维度模型。 特别是，通常使用 区间（以及 它们的并集）、实数线上的矩形和正方形、平面中的超平面等等。
还有一些量化 VC 维度到不同程度的结果。 例如，可以证明一个有限概念类 
满足
 |
