整数值时间序列数据在日常生活中非常常见,这类数据在各个领域中的应用也非常广泛。这类数据可以分为两类,一类为无上限的观测数据,例如某公司的保险理赔次数,全球范围内的地震次数等;另一类为有上限的观测数据,例如某地区每周的下雨天数,有限个地区每周感染某一病毒的地区数等。本文主要针对几类混合整数值二项自回归模型的建模以及参数估计问题进行研究,主要内容包括三个部分。第一部分,我们对一阶二项自回归（BAR（1））模型进行了推广,建立了一类一阶混合二项自回归（MBAR（1））模型,讨论了模型的平稳遍历性,基于条件极大似然估计方法对模型参数进行了估计,接着通过数值模拟验证了条件极大似然估计的效果。最后将模型应用于HICP指数数据的拟合中。由于在实际数据分析时,我们有时需要用高阶模型进行拟合,因此第二部分我们对BAR（1）模型进一步推广,将模型推广到高阶的情形,并考虑了p阶二项自回归（BAR（p））模型的条件最小二乘估计和条件最大似然估计,给出了相应估计量的渐近性质;考虑到混合概率可能会受到外界因素的影响,对BAR（p）模型进行了进一步扩展,提出了一种混合概率具有Lositic结构的BAR（p）模型,并研究了此模型的参数估计问题,在模拟研究中验证了两种模型参数估计的效果,最后将两种模型同样应用于HICP指数数据的分析之中。第三部分,我们考虑到不仅仅混合概率会受到外界因素的影响,模型的回归系数同样会受到外界因素的影响,因此我们去掉了BAR（p）模型中自回归系数为常数的假设,提出了一类p阶随机系数混合二项自回归（RCMBAR（p））模型,讨论了模型的平稳遍历性,参数的条件最小二乘估计和条件最大似然估计问题,并给出两种估计量的渐近性质,并通过数值模拟验证了估计的效果,最后将模型应用于HICP指数数据的拟合之中,并与前面所提出的模型进行了比较。通过对以上内容的研究我们可以发现,利用混合模型对整数值时间序列数据进行建模,既继承了传统二项自回归模型解释性强等优点,同时拟合现实生活中的取值范围有限的整数值时间序列数据也变得更加精准。