在生物医学、社会学、经济学以及教育心理学等领域常常遇见大量的缺失数据。在已有的研究成果中,大多都是在可忽略缺失数据机制的条件下进行讨论的。然而,在很多实际应用中,常常遇见不可忽略缺失数据。因此,该论文研究了带有不可忽略缺失数据的半参数回归模型的统计推断,该研究不仅是实际问题发展的需要,也是统计学科本身发展的需要,该研究具有重要的价值。本文讨论了带有不可忽略缺失数据的半参数回归模型的参数与非参数光滑函数的估计问题。首先,介绍了响应变量与解释变量都带有不可忽略缺失数据的半参数回归模型,特别是,对不可忽略缺失数据机制建立了Logistic回归模型;然后,采用B样条方法近似模型的光滑函数,从而将半参数回归模型转化为参数模型。在此基础上,综合运用Gibbs抽样技术和Metropolis-Hastings算法给出了能同时估计模型参数和非参数函数的MCMC算法。最后,通过模拟研究说明了方法的有效性。本文还讨论了带有不可忽略缺失数据的半参数回归模型的贝叶斯变量选择问题。分别利用Bayes-Lasso与Bayes-ALasso方法,研究该模型的变量选择问题。模拟研究表明:这两种方法是有效的。一个实例被用来说明贝叶斯变量选择的应用。