目前时间序列异常点检测方法都是针对特定类型动态数据,但异常点往往会造成数据类型的误判,因此在数据类型判别前进行异常检测更为合理。一些针对时间序列异常检测的方法非常复杂,不容易实现,比如本文介绍的基于贝叶斯方法的异常检测方法,原理复杂,抽样及反复迭代过程所产生的数值误差都可能带来误判,且难以实现。文献[40]给出了一种不限于某种特定类型数据而且比较简单易于实现的方法,该方法是基于累计变化量来实现异常点的检测,但是该方法无法检测出成片的异常点,并且容易产生误判。为了解决文献[40]中方法所存在的问题,本文对异常点模型进行了重新定义,引入了异常类型指示变量和异常惩罚量,并定义了两类异常类型,用2004年到2009年的沪市股票数据来进行数值试验,数值试验的结果证明了本文所给方法的有效性。本文的主要工作：1.首先对研究问题的背景和研究意义进行了介绍,然后对前人得到的成果进行了研究,并分析其中的优缺点。2.对时间序列模型和时间序列异常点模型进行了研究,并研究了时间序列异常点检测的贝叶斯方法。3.通过前面对时间序列异常检测的研究,结合文献中的异常点检测方法给出了一种改进的模型,为了解决文献[40]中的模型不能检测出成片的异常点还有把正常点误以为是异常点的情况,在文中定义两种异常形式,一种叫做高位异常,一种叫做低位异常,并引入一个表示异常类型的示性变量和惩罚量,最后借助计算机将模型应用于现实数据。