馬爾科夫鏈蒙特卡洛方法（Markov Chain Monte Carlo，簡稱MCMC）是一種在貝葉斯理論框架下，通過計算機進行模擬的蒙特卡洛方法。它通過構造一條馬爾科夫鏈，使其平穩分布為待估參數的後驗分布，然後基於這條馬爾科夫鏈產生後驗分布的樣本，並利用這些樣本進行蒙特卡洛積分。
MCMC方法的關鍵在於如何構建滿足遍歷定理的馬爾科夫鏈，使其平穩分布即為目標機率分布。這樣，當時間足夠長時，隨機遊走的樣本集合就可以視為目標機率分布的抽樣結果。
MCMC方法的套用非常廣泛，包括但不限於統計物理、貝葉斯問題、計算機科學等領域。它彌補了傳統蒙特卡洛積分只能進行靜態模擬的缺陷，實現了動態模擬。
常用的MCMC算法包括Metropolis-Hastings算法和Gibbs採樣。Metropolis-Hastings算法適用於一維或簡單目標分布的採樣，而Gibbs採樣則適用於多維目標分布的採樣。
總的來說，MCMC方法通過模擬的方式對高維積分進行計算，使得原本複雜的計算問題變得可行，為貝葉斯方法的套用開闢了新的道路。