时间序列的观察值有时会受到异常事件、干扰或误差的影响，它们会造成虚假的后果，导致观察值的反常态势，以致与时间序列中的大多数观察值不一致.我们称这些非正常的观察值为异常值或异常点，它们或者是由非正常的外部事件引起(如罢工、系统突变等)，或者由于观察过程数据采集或记录的错误引起的.然而，异常点并非毫无意义，其可能含有丰富的信息，对其进行分析和挖掘具有重要的理论与实践意义。 本文介绍如何利用状态空间模型的方法对ARMA序列中的异常点进行探测，并将此方法推广到ARMAX序列.状态空间模型的方法的基本特征是利用状态方程描述动态系统，利用观测方程描述对状态的观测信息.在此基础上利用Hilbert空间射影理论，Kalman提出了状态估计理论，也称Kalman滤波理论。 本文考虑把时间序列模型中出现的多重或成片的异常点看成是对原模型加上相应的振动，即假设异常点是对原模型的一种随机扰动效应的结果，一般把这些时间序列模型转化为状态空间模型，然后用Kalman滤波的方法来计算与振动相关的统计量，包括振动的位置与大小等。同时，在状态空间模型的状态方程中也引入振动效应，则我们可以认为数据的持续变化也是一种成片的异常点。这种持续的变化包括水平漂移和季节模型的改变等。