近似贝叶斯计算（Approximate Bayesian computation，简称ABC）是一类用于处理似然函数不可得或难以计算的问题的贝叶斯推断算法。它通过从模拟模型中生成的合成数据来逼近后验分布。然而，对于复杂模型而言，ABC的计算量非常大。首先，我们介绍了一种自适应的ABC马尔可夫链蒙特卡洛（MCMC）方法，通过结合全局和局部MCMC提议的优点，适用于高维参数空间中的复杂分布。其次，我们提出了一种多精度ABC的自适应预筛选SMC采样器，通过高低精度模型间的协调，平衡计算效率和推断精度。