在研究可观测变量和潜变量的关系时结构方程模型是非常重要的，但是，在几乎所有存在的理论和计算软件中都以正态性作为最主要的假设(总是假定数据的分布是正态的)，因此，这些理论和计算软件就不能满足行为学，社会学和心理学研究中十分普遍的非正态数据和有序分类数据.另一方面，潜变量在结构方程建模过程中起到非常重要的作用.但是，在几乎所有存在的结构方程模型中，总是假定潜变量的分布是服从正态的，而在生物医学的很多研究中这个正态假定是违背客观实际情况的.本文放松了潜变量分布的正态性假设，提出了一个半参数贝叶斯方法.在带有有序分类数据的指数族结构方程模型的背景下，得出一个更加广泛的贝叶斯框架.在贝叶斯框架下，我们对潜变量建立了一个带有截尾近似Direchelet过程先验的半参数分层模型.在后验分析的有效模拟时分别用到了steak-breaking先验，分组Gibbs抽样和Metropolis-Hastings算法.最后，模拟研究的结果很好地说明了这种方法的可行性.