因子分析模型是分析潜在变量与显变量关系的一种重要的多元分析方法，现已逐渐被运用到各个领域。长久以来，对于因子分析模型的分析都是建立在协方差结构的基础上的。但是，这种方法存在一些弊端，而运用贝叶斯方法进行因子分析模型的研究可以在一定程度上优化分析结果。同时，缺失数据作为近年来研究较多的一个统计问题，有其深入研究的价值。因此，本文考虑研究带有不可以忽略缺失数据的非线性因子分析模型，假设观测变量服从指数族分布，给出缺失数据的缺失机制，运用贝叶斯方法来分析。在贝叶斯分析的框架下，由于参数的联合后验概率密度函数涉及难以处理的多重积分，直接处理后验分布是困难的。所以，在分析中，我们利用数据添加的思想来解决这一问题。我们采用了混合Gibbs抽样和MH算法抽取样本，并基于生成的样本求出未知参数的贝叶斯估计和方差。另外，在数据分析中，评估模型的合理性是最基本的，对于用贝叶斯方法进行的数据分析更是如此。所以，在本文中我们也建立了评估模型合理性的拟合优度统计量。论文最后进行数据模拟进一步说明贝叶斯分析过程，同时，还运用OpenBUGS软件进行贝叶斯分析，并将结果进行比较。