提升法（Boosting）是一种集成学习技术，通过组合多个弱学习器来提高整体模型的准确性。它可以应用于多种学习算法。以下是对选项的分析：

A: **决策树**
- 决策树是提升法最常用的基础模型之一，尤其是以决策树为基础的 AdaBoost 和 Gradient Boosting。它们通过逐步调整决策树的权重或结构来提高模型性能。因此，提升法可以用于决策树。

B: **神经网络**
- 提升法可以应用于神经网络，尽管不如决策树那么常见。Boosting可以构建多个小型神经网络（弱学习器），然后将它们组合以提高预测能力。因此，提升法可以用于神经网络。

C: **贝式分类法**
- 贝式分类法通常不作为提升法中的弱学习器。贝式分类器的假设（如特征独立性）在很多情况下不利于逐步提升性能，因此提升法不常用于贝式分类法。

D: **逻辑回归**
- 逻辑回归也能作为提升法的基础模型。有些 boosting 算法可以通过调整模型的权重来应用于逻辑回归。这使得逻辑回归在一些场景中可以被用于提升法。

根据以上分析，提升法可以应用于：
- A: 决策树
- B: 神经网络
- D: 逻辑回归

因此，正确答案是：A, B, D。