假说（hypothesis [haɪ'pɑθəsɪs]；复数：hypotheses）是对某种现象提出的解释。一个科学假说（scientific hypothesis）必须基于观察，并在一个始于有根据的猜测或想法的过程中，对现实做出可检验和可重复的预测。如果一个假说通过实验被反复独立地证明是正确的，它就成为了一个科学理论。
在日常口语中，“假说”（hypothesis）和“理论”（theory）这两个词经常互换使用，但在科学语境下这是不正确的。
工作假说（Working hypothesis）是一个被暂时接受的假说，作为进一步研究的基础。工作假说经常被抛弃，并且在被提出时，往往就已知（并有警告）它们是不完整的、错误的，其目的是为了至少在某种程度上将研究引向正确的方向，尤其当科学家们在一个问题上陷入困境并集思广益时。
预测和可证伪性
任何有用的假说都将通过推理（包括演绎推理）进行预测。它可能预测在实验室环境中进行实验的结果或在自然界中观察到的现象。该预测也可能涉及统计学，仅谈论概率。
卡尔·波普尔（Karl Popper）认为一个假说必须是可证伪的，如果一个命题或理论不承认被证明是错误的可能性，就不能将其视为科学的。其他科学哲学家拒绝接受可证伪性标准，或用其他标准来补充它，例如可证实性（例如，验证主义）或连贯性（例如，证实整体论）。
科学方法涉及实验来测试某个假说是否能充分回答正在研究的问题。相比之下，不受约束的观察不太可能像制定一个关键性实验来检验假说那样，在科学中引起未解释的问题或未解决的问题。思想实验也可以用来检验假说。
在构建假说时，研究者当前不应知道测试的结果，或者该结果仍合理地处于持续调查中。只有在这种情况下，实验、测试或研究才有可能增加证明假说真实性的概率。[10.1063/1.3060577: pp17, 49–50] 如果研究者已经知道结果，它就算作一个“结果”——研究者在制定假说时就应该已经考虑到这一点。如果无法通过观察或经验来评估预测，那么需要由提供观察的其他方来检验该假说。例如，一项新技术或新理论可能使必要的实验变得可行。
统计假设检验（Statistical hypothesis testing）
当研究现象之间可能存在的相关性或类似关系时，例如所提出的疗法是否对治疗某种疾病有效，存在关系的假说不能以检验拟议的新自然法则的相同方式来检验。在这种调查中，如果受试疗法在少数情况下没有显示出效果，这些不一定能证伪该假说。相反，使用统计检验来确定，如果假定的关系不存在，观察到总体效应的可能性有多大。如果这种可能性足够小（例如，小于 1%），则可以假定存在关系。否则，任何观察到的效应可能都是由于纯粹的偶然性。
在统计假设检验中，比较两个假说。它们被称为零假说（null hypothesis）和备择假说（alternative hypothesis）。零假说陈述的是，正在调查其关系的现象之间没有关系，或者至少不是备择假说所给出的形式。备择假说，顾名思义，是零假说的替代方案：它陈述存在某种关系。备择假说可以采用多种形式，具体取决于假定关系的性质；特别是，它可以是双侧的（例如：存在某种效应，但方向未知）或单侧的（假定关系的方向，无论是正面的还是负面的，都是事先确定的）。
检验假说的常规显著性水平（错误拒绝真实零假说的可接受概率）是 .10、.05 和 .01。决定是否拒绝零假说和接受备择假说的显著性水平必须事先确定，在收集或检查观察数据之前。如果这些标准是在之后，在已知要检验的数据时才确定的，那么该检验是无效的。
上述程序实际上取决于研究中包含的参与者数量（单位或样本量）。例如，为了避免样本量太小而无法拒绝零假说，建议从一开始就指定足够的样本量。对于用于检验假说的一些重要统计检验，建议为每种检验定义小、中、大效应量。
