合理的统计分类必须具备两大特征：首先是同质性，同一类中的元素（或个体），其相似性应尽可能高；其次是差异性，不同类中的元素（或个体），其差异性应尽可能大。同质性的度量主要通过相似系数，如方差和协方差、积差相关系数、等级相关系数等，而差异性的度量则主要通过距离，包括绝对值距离、欧式距离、切比雪夫距离、明式距离、马氏距离以及兰氏距离等。

传统的统计分类方法主要是聚类分析和判别分析。聚类分析的根据是观察变量（样本）间的相似程度聚类。聚类依赖于观察变量间相似程度所反映出来的量。描述变量关系的数学方法不同，产生的分类结果也会有所不同。应用较广的方法是相关系数和距离。因为聚类分析是把分类对象按照一定规则分成组或类，这些组或类并不是事先给定的而是根据特征而定的。因此聚类通常是含糊的、不确定的。判别分析是判别观察变量（样本）所属类别的一种统计方法。在已知分类情况下，遇到新的观察变量时，可以选用此方法来判断将新的观察变量归于哪个类中。判别分析可以从不同的角度提出问题，因此有许多不同的判别准则，如马氏距离最小准则、Fisher准则、平均损失最小准则、最小平方准则、最大似然准则、最大概率准则等。按判别规则的不同，又可以提出多种判别方法，常用的方法有距离判别法、Fisher判别法、Bayes判别法和逐步判别法。

另外，不同的学科领域对分类的理解稍有不同。如在机器学习领域中，分类被认为是在监督学习中所使用的方法。而与之相对应的非监督学习（不知道各类的特征）所使用的方法通常被称为聚类。在社区生态学中，分类通常是指聚类分析，即无监督学习。