时间序列的观察值有时会受到异常事件干扰或者误差的影响，这样就会造成与真实现象不符合的结果，从而会导致观察值的异常态势，以致与时间序列中的大多数的观察值不一致.我们称这些不正常的观察值为异常值或异常点，它们很可能由不正常的其他事件引起，比如：工厂工人的罢工、天气因素的突变等，或者仅仅是由于工作人员的记录或采集的错误.异常数据有时可能足具有特殊意义的数据，它们往往能够提供更多其他有用的信息，检测异常点是我们发现新知识、确定新状态的有力手段，因此，异常点的检测和分析是一项十分有意义、至关重要的数据检测任务.　　 1972年Fox的一篇开创性的论文是关于ARMA模型时间序列中的异常点的检测方法，后来已广泛展开，迄今为止，对于线性时间序列模型中的单个异常点的检测已经得到很好的解决.但是，如果异常点在数据中成片出现时，在检测过程中往往就会伴有“掩盖”和“淹没”现象的发生，使得我们在检测异常点时会遇到很多的困难.至今，对于成片异常点的检测仍然是一个有待进一步解决的问题，　　 本文将在前人的基础上，对于双线性时间序列模型的成片AO型异常点进行检测.首先分别给出了双线性模型和异常点的概念及其分类；其次给出了双线性模型中参数的估计；然后提出一种新的Bayes过程，即自适应的Gibbs抽样(Adaptive Gibbs Sampling)方法，对双线性时间序列中AO型成片异常点进行了检测，最后给出了进一步需要解决的问题.