时间序列由于误差、干扰或者异常事件的影响,会产生一些与其他观测数据不一致的值,这些值被称为时间序列的异常点。异常点的存在对时间序列建模和预测有着重大影响,而且异常点本身也包含许多重要信息。所以,时间序列异常点的挖掘和分析是一项意义重大的任务。ARMAX模型相较于传统的ARMA模型引入了外生变量,不仅考虑了序列本身的变化规律,还考虑了其他序列的影响,是一种更加完备的模型。本文基于ARMAX模型,考虑出现单个AO型异常点和成片AO型异常点的情况进行挖掘。本文首先介绍了ARMAX模型以及模型的拟合步骤,然后提出使用标准Gibbs抽样挖掘模型中的单个AO型异常点以及自适应Gibbs抽样挖掘模型中的成片AO型异常点,通过模拟验证了方法的有效性,关于异常点位置确认和异常效应大小的估计获得了不错的效果。最后,本文选取非制造业商务活动指数和全社会货运量数据,分别用这些方法检测出了每组数据中的三个异常点,且全社会货运量数据中还存在连续的两个AO型异常点,并结合实际情况深入分析和解释了异常点背后的原因。