La regresión de múltiples salidas tiene como objetivo utilizar la correlación entre las salidas para lograr la transferencia de información entre salidas dependientes, mejorando así la precisión de los modelos predictivos. Aunque la máquina de vectores de soporte bayesiana (BSVR) puede proporcionar tanto la media como la distribución de la varianza predicha de los datos a etiquetar, lo que tiene un gran valor de aplicación potencial, su forma estándar no puede manejar múltiples salidas al mismo tiempo. Para resolver este problema, este artículo propone un modelo de máquina de vectores de soporte bayesiana de múltiples salidas (MBSVR), que utiliza una matriz de covarianza para describir la relación entre salidas y salidas, y salidas e inputs simultáneamente mediante la introducción de un modelo de factor latente semiparamétrico (SLFM) en BSVR, logrando la transferencia de conocimientos entre salidas y mejorando la precisión del modelo. MBSVR integra y optimiza los parámetros en BSVR y los de SLFM a través de la derivación bayesiana para tratar efectivamente el problema de múltiples salidas sobre la base de heredar las ventajas de BSVR. La efectividad del método se verifica utilizando dos casos de funciones y cuatro datos del mundo real de alta dimensión con múltiples salidas.