在统计实践中，离散型分布占据着重要的一席，而古老的Poisson分布是最具代表性的离散分布之一。Poisson分布通常可以理解为：单位时间(单位人群、单位空间，单位容积)内，某“稀有”事件发生次数的概率分布。它在统计抽样、运筹学、管理学、物理学等基础学科及实践应用中都具有突出的地位，并具有广泛的应用。在一般的统计引论与教材中，一个最基础而又重要的分析是利用已知样本得到各种分布未知参数的区间估计。当然，利用不同的方法会得到不同的结果，那么它们自身在置信区间性质上的优劣决定了各种方法的好坏。传统的统计教材中，对Poisson分布的置信区间估计都是采用经典的参数统计方法，在正态近似的基础上得到其置信区间。可以说，传统的参数统计方法难于摆脱“正态”等假设束缚。 在计算机高速发展的今天，我们完全可以摆脱“正态”等假设的约束，只依靠观测信息，通过计算机对观测样本进行再抽样，然后模拟未知分布，从而对实际问题进行分析和推断。由美国统计学家Efronl979年提出的Bootstrap方法正是这样的一种适应时代发展的新方法。该方法只依赖于观测数据，而不需要其他的假设。 在系统介绍Poisson分布和Bootstrap方法的基础上，我们采用了两种Bootstrap方法研究了Poisson分布的置信区间，通过模拟比较，发现与传统方法得到的Poisson分布的置信区间相比，Bootstrap方法的区间长度小于传统方法得到的区间长度，说明Bootstrap方法的精度明显优于传统方法得到的精度。从一个侧面说明了Bootstrap方法具有更强的现实性和可操作性。