變分推斷（Variational Inference，簡稱VI）是一種在貝葉斯統計中使用的近似推斷方法。
變分推斷的目標是在給定觀測數據的情況下，對模型中的潛在變數或參數進行估計。它通過尋找一個簡單的分布（稱為變分分布）來近似複雜的後驗分布，將後驗推斷問題轉化為最佳化問題。變分推斷廣泛套用於統計學和機器學習領域，特別是在處理機率圖模型中的推斷問題時，變分推斷通過最小化變分分布與真實後驗分布之間的差異來獲得近似結果。其核心思想是採取一種確定性的近似方法，通常基於平均場理論，假設變分分布可以分解為多個獨立成分，然後通過最佳化算法，如坐標上升法，來求解問題。變分推斷的優勢在於其相對於馬爾可夫鏈蒙特卡洛方法(MCMC)更好的收斂性和可擴展性，特別是在處理大規模近似推斷問題時。