馬爾可夫鏈蒙特卡洛方法（Markov Chain Monte Carlo, MCMC）是一種利用馬爾可夫鏈進行蒙特卡洛模擬的採樣技術。這種方法首先構建一個馬爾可夫鏈，使其平穩分布為目標分布，然後基於該馬爾可夫鏈進行隨機遊走，產生樣本序列。這些樣本用於進行近似數值計算，如機率分布的估計、定積分的近似計算等。
MCMC技術在統計學和貝葉斯推理中有廣泛套用，特別是在處理複雜機率分布的採樣問題時。它通過模擬的方式對高維積分進行計算，解決了傳統蒙特卡洛方法只能進行靜態模擬的缺陷，使貝葉斯方法的套用範圍更廣。
MCMC方法的實現包括多種算法，如Metropolis-Hastings算法、吉布斯抽樣等。這些算法在不同套用場景下具有不同的優勢和適用性。