在时间序列的统计分析中，趋势平稳过程是一个随机过程 (stochastic process)。这意味着，可以从中除去潜在的趋势（趋势仅是时间的函数），而剩下一个平稳的过程。趋势不必是线性的。总之，趋势平稳的概念不如平稳性概念严格，有些过程非平稳，但却是趋势平稳的。
相反，如果一个过程在差分后变平稳了，则称该过程为差分平稳 (difference stationary)，该过程有一个或多个单位根。趋势平稳和差分平稳两个概念有时可能会混淆，尽管它们有许多共同的属性，但在许多方面有所不同。一个时间序列可能是非平稳的，但该时间序列却没有单位根，并且它是趋势平稳的。在单位根和趋势平稳过程中，均值会随着时间的推移增加或减少。 但是，在发生冲击的情况下，趋势平稳过程是均值恢复的（即遭受冲击只是暂时的，时间序列将再次趋向于不断增长的均值，而不受冲击影响），而单位根过程则对均值具有永久性的影响（即随着时间的推移没有收敛）。
正式定义：
如果过程{Y}被认为是趋势平稳的，那么有
其中t是时间，f是从实数到实数的任意函数的映射，并且{e}是固定过程。值 f(t) 被认为是该过程在时间t的趋势值。
最简单的例子：线性趋势周围的平稳性
假设因变量Y满足如下等式
其中t是时间，et是误差项，假设et是白噪声过程，或更一般地说，et是由任何平稳性过程生成的。然后可以使用线性回归来获得时间趋势t的斜率 α 的估计值 α-hat，和截距项 b 的估计值 b-hat ; 如果估计值 α-hat 明显不为0，这足以在高置信度下表明变量Y是非平稳的。该回归的残差的估计量 et-hat 为
如果这些估计的残差可以从统计学上证明是平稳的（更确切地说，如果人们可以拒绝“真实的残差是非平稳”的假设），则这些残差称为去趋势数据 (detrended data) 。此时，尽管原始序列 {Yt} 是非平稳的，但称它是趋势平稳 (trend-stationary) 的。
本文基于以下文章撰写：
https://en.wikipedia.org/wiki/Trend-stationary_process
