令Q={Q1,Q2,Q3……Qn}表示待查询的变量，E={E1,E2,E3……En}为证据变量，已知其取值为e={e1，e2，e3……ek}。目标是计算后验概率P={Q = q | E = e}，其中q={q1，q2，q3……qn}是待查询变量的一组取值。以西瓜问题为例，待查询变量为Q={好瓜，甜度}，证据变量E={色泽，敲声，根蒂}并且已经知道甜度为e={亲绿，浊响，蜷缩}，查询的目标值是q={是，高}，即这是好瓜并且甜度高的概率有多少
输入：贝叶斯网 B={G，谁他}
采样次数 T
证据变量 E 以及取值 e
待查询的变量 Q 以及 取值q
过程：
nq=0
q0对Q随机赋予初始值
for t =1,2……T do
for Qi 属于 Q do
Z = E ∪ Q \ {Qi}
z = e ∪ q^(t-1) \{qi(t-1)}
根据 B 计算分布 PB（Qi | Z =z）
qit = 根据 PB（Qi | Z =z）采样所获得Qi取值
qt = 将q^(t-1) 中的 qi(t-1) 用 qi(t)代替
end for
if q^t =q then
np=np+1
end if
end for
输出：
P（ Q =q | E = e）= nq / T
吉布斯采样算法先随机产生一个与证据 E= e 一致的样本 q0 作为初始点，然后每部从当前样本出发产生下一个样本。具体来说，在第t次的采样中，算法先假设 q^t = q^(t-1)，然后对非证据变量逐个进行采样来改变其取值，采样概率根据贝叶斯网路B 和其他变量的当前取值（Z = z)）进行计算获得，假设经过 T 次采样得到与 q一致的样本共有n q个，则可以近似的估算出 后验概率
P （Q = q | E = e） = nq / T
实质上，吉布斯采样是在贝叶斯网所有变量的联合状态空间与证据 E =e一致的子空间的随机漫步，每一步仅仅依赖于前一步的状态，这是一个马尔科夫链。在一定的条件下，无论从什么初始状态开始，马尔可夫链第t步的状态分布在 t -> ∞ 必定收敛于一个平稳分布，对于吉布斯采样来说，这个分布恰好是 P（Q | E = e）。因此，当T 很大的时候，吉布斯采样相当于是根据 P(Q | E = e)采样，从而保证了 P(Q =q | E= e)收敛于nq / T