在统计学中，最大后验概率(MAP) 估计可以用于未知参量的点估计，它和最大似然估计maximum likelihood (ML)的Fisher方法差不多，但是这里的后验概率的最大化是和先验分布紧密相关的。故而MAP可以看作是ML估计的正则化。
假设我们要根据观测变量x估计参量 θ，并假设x的采样分布是f，那么基于θ的x的条件概率为 f(x | θ) 于是就有似然函数 
，估计
作为θ的最大似然估计。
现在假设参数 θ的先验概率是已知的，我们就可以把θ当作贝叶斯统计（Bayesian statistics）中的随机变量来处理。后验概率就可以表示为：
其中g的定义域为Θ，这是贝叶斯定理的直接应用。将基于θ的最大后验概率就看作是随机变量x的后验分布：
上式中后验概率的分母就和θ没有任何关系了，因而在优化过程中不起任何作用。可以发现 MAP的θ的先验分布为均匀分布时，和MLE是一致的。
MAP计算方法：
１、当后验概率可以表达成闭型形式时，则可以通过求导的方法求解；
２、通过数值计算来优化，常用的方法有共轭梯度法和牛顿法，但是这些方法往往涉及到比较繁琐的一阶和二阶导数；
３、通过改进型的最大期望算法，不需要计算后验概率的导数。
评价：在贝叶斯方法中，像MAP这样通过先验概率来求解后验模式的方法并不多见，MAP是一种点估计，一般的贝叶斯方法是根据分布来提取数据的特征的。尤其是在后验概率并不是一个简单的分析形式，此时可以通过蒙特卡罗来模拟，但是要想获取其分布类型是很困难的。
