一般项级数的阿贝尔判别法和狄利克雷判别法：
阿贝尔判别法：如果级数的通项可以拆成两部分的乘积，其中一部分随下标单调有界，以另一部分为通项的级数收敛，那么原级数收敛。
狄利克雷判别法：如果级数的通项可以拆成两部分的乘积，其中一部分随下标单调趋于零，以另一部分为通项的级数的部分和有界，那么原级数收敛。
这两个判别法对于一些通项为两项以上乘积形式的级数非常有效。局限性：如果拆不出来，那就没办法了。不过通常的题最多就考到这里，基本上应该可以判别。
绝对收敛
一个收敛的级数，如果在逐项取绝对值之后仍然收敛，就说它是绝对收敛的；否则就说它是条件收敛的。
简单的比较级数就表明，只要∑｜un|收敛就足以保证级数收敛；因而分解式（不仅表明∑｜un|的收敛隐含着原级数∑un的收敛，而且把原级数表成了两个收敛的正项级数之差。由此易见，绝对收敛级数同正项级数一样，很像有限和，可以任意改变项的顺序以求和，可以无限分配地相乘。
但是条件收敛的级数，即收敛而不绝对收敛的级数，决不可以这样。这时式右边成为两个发散（到＋∞）的、其项趋于零的、正项级数之差，对此有黎曼定理。
1、对于所有级数都适用的根本方法是：柯西收敛准则。因为它的本质是将级数转化成数列，从而这是一个最强的判别法，柯西收敛准则成立是级数收敛的充分必要条件。
局限性：有一些数列的特征太过明显，可以用更加简洁的判别法去判别，用柯西收敛原理是浪费时间；另一方面，如果级数本身过于复杂，用柯西收敛准则也未必能很快得到证明。
2、对于正项级数，一个基本但不常用的方法是部分和有界，这同样是级数收敛的充分必要条件，这是正项级数中最强的判别法之一，局限性也是显然的：通常来说一个级数的和函数并不好求，用这种方法行不通，因此这个方法通常只有理论上的意义。
3、对于正项级数，比较判别法是一个相当有效的判别法，通过找一个新正项级数，比较通项，如果原级数的通项小，新级数收敛，则原级数收敛；如果新级数发散，原级数通项大，则原级数发散，通常在判别过程中使用其极限形式。
局限性：当级数过于复杂时，要找的那个新级数究竟是什么很难判断，通常的方法是对原级数的通项做泰勒展开，以找到与之等价的p级数。
4、对于正项级数，有积分判别法：如果x>=1且f（x）〉=0且递减，则无穷级数（通项为f（n））与1到正无穷对f（x）作的积分同敛散。这个办法对于某些级数特别有效。局限性：由于其本质是将级数化成了反常积分，如果化成的反常积分的收敛性难以判断，则有可能该方法就把问题复杂化了。
5、对于正项级数，还有拉贝判别法与高斯判别法。拉贝判别法是将级数与通项为1/（n^alpha）的级数做比较，如果当n充分大时，n（a[n]/a[n+1]-1）〉=r>1，那么级数收敛。
高斯判别法将级数与通项为1/（n（lnn）^alpha）的级数做比较，如果a[n]/a[n+1]=1+1/n+beta/nlnn+o（1/nlnn），其中beta〉1，则级数收敛。
局限性：这两个判别法已经很强了，大部分级数都可以用这两个判别法去估计，但是仍然不是全部级数都有效的，如果级数比通项为1/（n（lnn）^alpha）的级数收敛得还慢，就无效了，这时应该去想比较判别法或者其他办法，可能需要比较强的技巧。
6、对于交错级数，有莱布尼兹判别法：如果级数符号交替且通项绝对值递减，则级数收敛。局限性：如果级数不满足上述条件，显然就失效了。
7、一般项级数的阿贝尔判别法和狄利克雷判别法：
阿贝尔判别法：如果级数的通项可以拆成两部分的乘积，其中一部分随下标单调有界，以另一部分为通项的级数收敛，那么原级数收敛。
狄利克雷判别法：如果级数的通项可以拆成两部分的乘积，其中一部分随下标单调趋于零，以另一部分为通项的级数的部分和有界，那么原级数收敛。
这两个判别法对于一些通项为两项以上乘积形式的级数非常有效。局限性：如果拆不出来，那就没办法了。不过通常的题最多就考到这里，基本上应该可以判别。
1、正项级数比较判别法
简而言之，小于收敛正项级数的必然收敛，大于发散正向级数的必然发散。其中可以存在倍数关系，可以将一个级数放大或缩小再进行比较。若用极限形式，就是二者的比值的极限值是一个有限的正数即可。
2、任意项级数阿贝尔判别法
其中一组级数收敛；另一组级数单调有界；那么二者的乘积构成的级数收敛。
绝对收敛
一个收敛的级数，如果在逐项取绝对值之后仍然收敛，就说它是绝对收敛的；否则就说它是条件收敛的。
简单的比较级数就表明，只要∑｜un|收敛就足以保证级数收敛；因而分解式（不仅表明∑｜un|的收敛隐含着原级数∑un的收敛，而且把原级数表成了两个收敛的正项级数之差。由此易见，绝对收敛级数同正项级数一样，很像有限和，可以任意改变项的顺序以求和，可以无限分配地相乘。
但是条件收敛的级数，即收敛而不绝对收敛的级数，决不可以这样。这时式右边成为两个发散（到＋∞）的、其项趋于零的、正项级数之差，对此有黎曼定理。
