数据归一化是数据预处理中的一个重要步骤，目的是将不同尺度的数据转化为相同尺度，以便于比较。最常用的两种归一化方法是：

A: **Min-Max标准化**
B: **Z-score标准化方法**

因此，正确答案是 **A** 和 **B**。

### 专业分析

1. **Min-Max标准化**
- **定义**：将数据按比例缩放到一个指定的最小值和最大值之间（通常是0到1）。
- **公式**：
\[
X' = \frac{X - X_{min}}{X_{max} - X_{min}}
\]
- **优点**：保留了所有关系的原始分布，适用于对范围敏感的算法，比如神经网络。
- **缺点**：对异常值敏感，因为异常值会影响最大值和最小值。

2. **Z-score标准化**
- **定义**：将数据按特征的均值进行中心化，然后按特征的标准差缩放。
- **公式**：
\[
X' = \frac{X - \mu}{\sigma}
\]
其中，\(\mu\) 是均值，\(\sigma\) 是标准差。
- **优点**：标准化后数据符合标准正态分布（均值为0，标准差为1），适用于假设数据呈正态分布的算法。
- **缺点**：不适用于非正态分布的数据，转换后数据的单位丢失。

### 其他选项

- **C: 多项式归一化**
- 这不是常见的标准化方法，常用于特定场景的缩放或转换。

- **D: 卡方归一化**
- 也不是标准的归一化方法。卡方变换通常涉及统计测试或特征选择，而不是数据缩放。

综上所述，Min-Max和Z-score标准化是数据归一化中最常用的方法，适用于不同场景和算法需求。