在行为学、社会学、教育学、医学、经济学和心理学等领域研究中，人们常常遇到如健康状况、个性、忧虑、智力、研究能力、顾客满意度、工作态度等不可观测的变量，这类变量常常被称为潜变量.目前在国内外结构方程模型是分析研究显变量和潜变量之间内在联系的重要工具.结构方程模型具有许多经典统计分析方法所不具有的优点，它能非常好的解决使用经典统计方法所不能解决的或不善于解决的许多复杂问题，已越来越得到众多研究分析人员的认可，在统计学领域已树立起了崇高的地位，被称之为“第二代多元统计分析方法”。随着结构方程模型应用领域的日益扩大，分析结构方程模型的方法也越来越多.Lee and Zhu(Psychometrika，2002)已经用随机逼近EM算法研究过非线性结构方程模型的极大似然估计.Lee和Tang2006a已经研究过非线性结构方程模型的Beyes估计.但是他们研究的都是固定系数的非线性结构方程模型.由于通常在结构方程中潜变量之间的关系不是固定的，而是随机的，因此在这篇论文中，我们提出了随机系数非线性结构方程模型.我们应用Metropolis-Hastings算法和Gibbs抽样技术来讨论随机系数非线性结构方程模型中参数的Beyes估计，也提出了用随机逼近EM算法来获得随机系数非线性结构方程模型中未知参数的极大似然估计.最后用检验统计量通过bootstrap方法和重抽样方法对提出的随机系数非线性结构方程模型作拟合优度检验.为了检验这些算法的有效性，我们对此算法进行了模拟研究并且得到了不错的效果.