La factorización de matrices no negativas se utiliza para encontrar una matriz básica y una matriz de pesos para aproximar la matriz no negativa. Ha demostrado ser una técnica poderosa de descomposición de rango bajo para datos multivariados no negativos. Sin embargo, su rendimiento depende en gran medida de la suposición de un número fijo de características. Este trabajo propone una nueva factorización probabilística de matrices no negativas que descompone una matriz no negativa en una matriz de factor de rango bajo con restricciones y una matriz de pesos no negativos. Para aprender automáticamente las posibles características binarias y el número de características, se introduce un proceso variacional de bufé indio determinístico para obtener la matriz de factores binarios. Además, la matriz de pesos se establece para cumplir con la priori exponencial. Para obtener la distribución posterior real de las dos matrices de factores, se establece un modelo de inferencia bayesiana variacional exponencial gaussiano. Los experimentos comparativos en conjuntos de datos sintéticos y del mundo real muestran la eficacia del método propuesto.