利用蒙特卡罗方法计算积分时，可以选择对进行均匀采样，这样积分就可以近似写为。但如果被积函数并不太均匀时，则误差会大幅增加，一些大权重的点也可能被漏掉。如图所示（图中为被积分的函数，为均匀抽样得到的点），通过均匀抽样，大部分的点都落到了以下的位置，而两个尖峰内却极少有点分布，这样就会造成积分值的误差变大。假设可以找到一个函数，可以使变得更均匀，那么当按照分布函数来抽样时，原有的积分变为。两个尖峰内会有更多的抽样点存在，从而提高模拟结果的精度。所以，通过选取另外一个分布函数对参数进行抽样，提高计算精度的方法就是重要性抽样。

均匀抽样分布示意图

在统计物理中，利用蒙特卡罗方法计算物理量时，当很大且对应能量越低的参数对积分的贡献越大。因此可以直接按照玻耳兹曼分布来对进行重要性抽样，则积分近似地变为。由于样本需要通过特定的分布函数抽样，并且保证相邻样本近似无关联，即所有样本形成一条马尔可夫链，同时参数空间也一般非常大，所以常会采用梅特罗波利斯-黑斯廷斯算法。

但重要性抽样也有其局限性，对于参数空间内存在多个能量极小点，并且能量值相差不大，且彼此之间又离得很远的情况，按照配分函数进行抽样并不能很好地进行重要性抽样。因此，需要综合其他方法，如多重系综抽样和模拟退火方法。