馬爾可夫鏈（Markov Chain）是一種隨機過程，它具有馬爾可夫性質，即系統在給定當前狀態下，過去的信息不再影響系統的未來狀態。馬爾可夫鏈的狀態空間可以是離散的也可以是連續的，但在實際套用中，通常指的是離散指數集和狀態空間內的馬爾可夫鏈。適用於連續指數集的馬爾可夫鏈被稱為馬爾可夫過程，它是連續時間馬爾可夫鏈（Continuous-Time Markov Chain, CTMC）和離散時間馬爾可夫鏈（Discrete-Time Markov Chain, DTMC）的子集。
馬爾可夫鏈可以通過轉移矩陣和轉移圖來定義。除了馬爾可夫性外，馬爾可夫鏈還可能具有不可約性、常返性、周期性和遍歷性等性質。一個不可約和正常返的馬爾可夫鏈是嚴格平穩的，擁有唯一的平穩分布。遍歷馬爾可夫鏈的極限分布收斂於其平穩分布。
馬爾可夫鏈在多個領域有廣泛的套用，包括蒙特卡羅方法中的馬爾可夫鏈蒙特卡羅（Markov Chain Monte Carlo, MCMC），動力系統、化學反應、排隊論、市場行為和信息檢索的數學建模，以及作為結構最簡單的馬爾可夫模型，一些機器學習算法如隱馬爾可夫模型（Hidden Markov Model, HMM）、馬爾可夫隨機場（Markov Random Field, MRF）和馬爾可夫決策過程（Markov Decision Process, MDP）都以馬爾可夫鏈為理論基礎。
馬爾可夫鏈的命名來自俄國數學家安德雷·馬爾可夫（АндрейАндреевичМарков），以紀念其在1906年首次提出這類過程的研究。