在统计学中,指数族分布是一类重要的统计分布族,然而,在现实世界中,仍有许多数据不能用指数族分布模型来拟合,为了满足人们对复杂数据分析的需求,统计学者提出一类比指数族分布更广泛的分布,称之为再生散度模型。在采集的数据点中,有些数据点在统计推断中作用不太明显,去掉几个数据点并不影响诊断结果,有些数据点可能对统计推断的作用比其他数据点作用大,去掉以后可能会对推断结果造成影响,这些数据点的某些性质特征也明显的偏离了数据点集中的其他点,我们通常称之为强影响点。由于强影响点的存在,我们就需要诊断出强影响点并修正,因此强影响点的诊断就非常重要。本文主要研究了以下两方面的内容:第一,利用Pena距离研究了再生散度模型下的统计诊断问题,得到了再生散度模型下Pena距离的表达式,对其性质进行讨论,从而得到高杠杆强影响点的判别方法。此外,将Pena距离与Cook距离进行比较,得到在一定的条件下Pena距离优于Cook距离的结论。通过随机模拟试验研究和实例分析,提出的理论和方法是科学合理的。第二,在异质总体数据中,混合回归模型是统计数据分析工具中重要的一种。针对混合再生散度数据,研究提出混合广义线性再生散度模型,并且利用Pena距离和Cook距离研究了统计诊断问题,同时将Pena距离与Cook距离进行比较。最后,通过随机模拟试验研究和实例分析将混合总体和混合子聚类的数据进行对比,进一步说明了理论和方法是合理有效的。