最小二乘法原理是求使得离差平方和最小的参数，这里的离差就是真实值与预测值的偏差

正确答案是：D: Σ(yᵢ-ӯᵢ)²取得最小。

### 专业分析：
最小二乘法（Least Squares Method）是一种标准的统计方法，用于在回归分析中找到最佳拟合线。其目标是使预测值与实际观测值之间的误差平方和最小化。

具体来说，假设我们有一组观测数据点 \((x_i, y_i)\)，我们希望找到一个线性模型 \(ŷ = a + bx\) 来拟合这些数据点。这里 \(ŷ\) 是预测值，\(y_i\) 是实际观测值。

最小二乘法的基本思想是通过调整模型参数 \(a\) 和 \(b\)，使得所有观测点的预测值与实际值之间的误差平方和最小。这个误差平方和可以表示为：

\[ \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 \]

其中：
- \(y_i\) 是实际观测值。
- \(\hat{y}_i\) 是根据回归方程 \(ŷ = a + bx\) 计算得到的预测值。

选项分析：
- A: Σ(yᵢ-ŷᵢ)取得最小，这表示的是误差的绝对值和最小化，不符合最小二乘法的定义。
- B: Σ(yᵢ-ŷᵢ)²取得最小，这表示的是误差平方和最小化，符合最小二乘法的定义。
- C: Σ(yᵢ-ӯᵢ)取得最小，这表示的是误差的绝对值和最小化，不符合最小二乘法的定义。
- D: Σ(yᵢ-ӯᵢ)²取得最小，这表示的是误差平方和最小化，符合最小二乘法的定义。

由于选项B和D的表达方式不同，但都是指误差平方和最小化，因此两个选项都正确。但通常我们会使用D选项的形式来表达最小二乘法的目标函数。因此，选择D是更为标准的表达方式。