基于Bagging（Bootstrap Aggregating）的集成学习代表算法是**随机森林**（Random Forest）。因此，正确答案是：D: 随机森林。

以下是对各个选项的专业分析：

| 算法 | 集成学习类型 | 详细分析 |
|------------|--------------|----------|
| Adaboost | Boosting | Adaboost是Boosting方法的一种，通过调整错分类样本权重来提高模型的准确性。它并不基于Bagging方法。 |
| GBDT | Boosting | GBDT（Gradient Boosting Decision Tree）属于Boosting范畴，通过梯度提升的方式来逐步提高模型性能，而不是通过并行的方式。 |
| XGBOOST | Boosting | XGBoost是GBDT的增强版本，依赖于Boosting框架，使用了更高效的计算方法和对正则化的支持。 |
| 随机森林 | Bagging | 随机森林使用Bagging方法，通过对多个决策树的训练和集成来降低模型的方差，从而提高模型的稳定性和准确性。 |

**总结**：
Bagging方法的核心思想是通过对数据集进行多次有放回的采样，训练出多个模型（如决策树），然后通过投票或者平均的方式来得到最终结果。随机森林是最典型的使用Bagging策略的算法，它在Bagging的基础上引入了随机选择特征的机制，从而提高模型的泛化能力。