本文的目的在于找到一种探测时间序列中多个成片异常值和影响点的方法．时间序列模型不同于一般的线性模型，其特殊性表现在序列中的各样本点之间存在着一定的相依结构，因而不能随意地变动数据的顺序，更不能任意删除，这就使得我们常用的探测的方法，如case-deletion等对时间序列而言效果不佳．为了克服上述方法对于相依样本的破坏，我们利用Cook的局部影响分析方法．这种方法采用曲率来度量对模型的微小扰动给模型带来的局部改变量，从而导出对局部影响较大的影响变量，但是不同模式的微小扰动会对统计推断造成不同的影响．在时间序列中，人们根据异常值的类型通常定义了四种干扰模式(mean—shift oberservation perturbation scheme，variance—shift oberservaiton perturbation scheme，mean—shift innovaltion和variance-shift innovation perturlbation schemes)．数据实例表明，时间序列的相依性使得序列中的异常点容易产生smearing效应，而在这四种扰动模式下的Cook统计量都不能有效消除该效应，即不能准确识别异常点．因此我们定义了一种新的干扰模式(dependent，variance perturbation)，并通过实例说明基于新的干扰模式得到的诊断统计量在识别时间序列中的异常点是非常有效的．