有关 Bagging 的正确选项是 A、B 和 C。以下是各选项的专业分析：

| 选项 | 正确性 | 专业分析 |
|------|--------|----------|
| A: 每轮训练中，各个弱分类器有放回随机选取训练样本 | 正确 | Bagging（Bootstrap Aggregating）的核心思想是通过有放回的随机抽样产生多个不同的子数据集。每个弱分类器是在不同的子数据集上进行训练的。 |
| B: 在训练中样本的权重保持一致 | 正确 | 在 Bagging 中，各个训练样本的权重是在每个子数据集上均等的。即没有对样本进行加权，而是通过简单的平均集成多个模型的预测。 |
| C: 训练中各弱分类器可以并行训练 | 正确 | 由于 Bagging 中的各个弱分类器是相互独立的，可以在不同的子数据集上独立训练，因此可以并行化，从而提高训练效率。 |
| D: 每个分类器权重一致 | 错误 | 在 Bagging 中，每个弱分类器的预测结果在最终集成时是等权重的。但此选项的描述容易产生误解，Bagging 中强调的是集成时等权组合预测，而非训练时分类器的"权重"。 |

因此，正确的选项是 A、B 和 C。