大数据时代,信息传递与反馈速度加快,这就使得A/B测试越来越受到大家的重视,快速的、灵活的对比实验能迅速的找出问题所在,避免大规模的资源浪费,所以设计一个好的实验是至关重要的。简单来说,A/B测试在产品优化中的应用方法是:在产品正式迭代发版之前或新策略上线前,为同一个目标制定两个（或以上）方案,将用户流量对应分成几组,在保证每组用户特征相同的前提下,让用户分别接受不同的处理,根据几组用户的真实数据反馈,科学的帮助产品进行决策。这其中就涉及到策略效果评估,一般情况下使用的策略评估方法通常涉及到因果推断,因果推断方法基于反事实框架,去除混淆变量产生的影响,对策略分组效应做出精确的计量,本文对潜在结果模型以及常见的因果推断方法做了简单介绍,其中最常使用的思路就是平衡协变量分布来逼近真实的策略分组效应。故在A/B测试进行用户分组时,最关键的就是要对各组的协变量分布进行匹配,以提升策略效应估计的精度。在实际应用场景中,通常使用完全随机分组或者重复随机分组的方法进行策略处理组与对照组的划分,但是由于随机分组的不确定性,分完组后的各个组在某些指标特性上可能分布不均,导致影响到后续实验效果的分析,遮盖或者夸大实验效果。本文就这个问题将协变量自适应匹配与方差分析以及核方法进行融合,融合直接概率与间接概率的思路,提出了基于特征均值匹配与基于特征核函数匹配的两种策略分组方法,对其算法逻辑及实现方式做了具体介绍,再进行了一系列模拟数据实验与实证分析。结果显示,本文提出的两种方法在估计精度与稳定性上均显著优于已有的基于随机化的分组方法,同时验证了在分组组数增加情况下,基于随机化的分组方法分组效率会显著下降,而本文提出的基于特征均值与基于特征核函数的方法分组效率都保持稳定甚至有所提升。