提升法（Boosting）是一种集成学习方法，旨在通过组合多个弱分类器来提升整体模型的准确性。Boosting方法的核心思想是逐步训练多个弱分类器，每个分类器都试图纠正其前一个分类器的错误。常见的Boosting算法包括AdaBoost、Gradient Boosting等。

在Boosting中，常用的弱分类器可以是多种不同的机器学习算法。具体到选项中的方法：

A: 决策树
B: 神经网络
C: 朴素贝叶斯
D: 逻辑回归

分析如下：

A: 决策树
- 决策树是Boosting方法中最常用的弱分类器之一。特别是，许多Boosting算法（如AdaBoost、Gradient Boosting）都使用决策树的简单形式（如决策桩）作为弱分类器。

B: 神经网络
- 虽然Boosting主要使用简单的弱分类器，但在理论上，神经网络也可以作为Boosting的弱分类器。然而，神经网络通常比较复杂，计算成本较高，因此在实际应用中较少用作Boosting的弱分类器。

C: 朴素贝叶斯
- 朴素贝叶斯也可以作为Boosting方法中的弱分类器。尽管朴素贝叶斯假设特征之间是独立的，但在某些情况下，它可以作为Boosting的一部分来提高整体模型的性能。

D: 逻辑回归
- 逻辑回归同样可以作为Boosting方法中的弱分类器。逻辑回归是一种线性分类器，适用于二分类问题，通过Boosting可以提高其分类性能。

综上所述，Boosting方法可以应用在所有选项中的方法中，具体答案是：

A: 决策树
B: 神经网络
C: 朴素贝叶斯
D: 逻辑回归