Cet exposé fait la revue des développements récents des techniques déterministes et de Monte Carlo permettant l'obtention d'inférences bayésiennes de paramètres inconnus lorsque la vraisemblance a une fonction normalisatrice inconnue ou lorsqu' elle est incalculable par limitation des ordinateurs. C'est le cas des données en treillis spatial dont la vraisemblance implique des modèles d'Ising, Potts ou autologistiques. En effet, la constante de normalisation peut ne pas être traitable si le treillis est trop large. Dans de tels cas, Møller Pettitt, Reeves and Berthelsen (2006) ont introduit un algorithme utilisant la méthode de Monte Carlo qui permet d'éviter le calcul de la constante de normalisation à la condition que le modèle simule parfaitement une variable auxiliaire. De ce point de départ, des approximations et améliorations de cet algorithme et algorithmes apparentés vont être décrites, ainsi que des applications, dont (1) une approche varationnelle de Bayes d'analyse d'image et (2) des distributions de graphes aléatoires (ex. réseaux sociaux). Certaines de ces applications vont être utilisées pour comparer ces différentes approches.