L’inférence bayésienne approximative reposant sur les méthodes d’approximation de Laplace et de quadrature devient de plus en plus populaire en raison de son efficacité à ajuster les modèles gaussiens latents et les modèles gaussiens latents étendus, qui englobent divers modèles hiérarchiques populaires. Cependant, de nombreux modèles utiles ne font partie du cadre des modèles gaussiens latents/modèles gaussiens latents étendus que si certains paramètres sont fixés. Ces modèles sont appelés modèles gaussiens latents/modèles gaussiens latents étendus conditionnels (Gomez-Rubio et Rue, 2018). Les méthodes actuelles d’ajustement des modèles gaussiens latents/modèles gaussiens latents étendus reposent sur la recherche en grille ou la méthode de Monte Carlo par chaîne de Markov pour explorer la densité a posteriori non normalisée. Lorsque les scénarios ne sont pas simples, ces méthodes deviennent compliquées sur le plan informatique, car chaque évaluation de la densité nécessite l’adaptation d’un modèle gaussien latent distinct. Dans le cadre de ces travaux, nous proposons l’algorithme de substitution séquentiel d’optimisation bayésienne afin de réduire les ressources informatiques nécessaires à l’ajustement des modèles gaussiens et des modèles gaussiens latents étendus conditionnels. Grâce à un nombre d’évaluations inférieur de plusieurs ordres de grandeur par rapport aux méthodes de recherche en grille ou méthode de Monte Carlo par chaîne de Markov, l’optimisation bayésienne génère des points de conception séquentiels qui saisissent la majorité de la densité a posteriori du paramètre de conditionnement, ce qui permet d’obtenir une distribution de substitution a posteriori précise pouvant être normalisée à un coût informatique minime. Nous illustrons l’efficacité, la précision et l’utilité pratique de la méthode proposée au moyen d’études de simulation approfondies et d’applications réelles.