在贝叶斯统计学中，「最大后验概率估计」是后验概率分布的众数。利用最大后验概率估计可以获得对实验数据中无法直接观察到的量的点估计。它与最大似然估计中的经典方法有密切关系，但是它使用了一个增广的优化目标，进一步考虑了被估计量的先验概率分布。所以最大后验概率估计可以看作是规则化（regularization）的最大似然估计。

假设我们需要根据观察数据 估计没有观察到的总体参数 ，让 作为 的采样分布，这样 就是总体参数为 时 的概率。函数

即为似然函数，其估计

就是 的最大似然估计。

假设 存在一个先验分布 ，这就允许我们将 作为 贝叶斯统计（en:Bayesian statistics）中的随机变量，这样 的后验分布就是：

In Bayesian statistics, a maximum a posteriori probability (MAP) estimate is a mode of the posterior distribution. The MAP can be used to obtain a point estimate of an unobserved quantity on the basis of empirical data. It is closely related to Fisher's method of maximum likelihood (ML), but employs an augmented optimization objective which incorporates a prior distribution over the quantity one wants to estimate. MAP estimation can therefore be seen as a regularization of ML estimation.