近年来，时间序列已经成为一个相当活跃的领域，由于其在农业、工程、医学、气象学、质量控制、社会学等学科中有着广泛的应用，所以关于时间序列的统计分析已经成为当今统计学者研究的一个热点.在现实生活中，一般所涉及到的时间序列模型都包括几个变量，也就是说我们在实际问题中遇到的往往是高维的时间序列模型，例如我们在一个销售业绩的研究中，变量可包括销售规模、价格、销售力度和广告支出等.所以对高维时间序列的统计研究很具有实际价值.由于时间序列中的移动平均模型和自回归移动平均模型在一定的条件下都可以转化自回归模型，因而对于自回归模型的统计研究就很具有代表意义.　　 数据删除模型和均值飘移模型作为目前主要的影响分析模型，不仅适应于线性回归模型，也同样适用于其它更复杂的模型.数据删除模型作为统计诊断中最基本的模型，它主要描述的是某个估计量在删除数据前后的差异，也就是说它是通过删除第i个数据点来分析此点的统计性质，进而检测第i个数据点是否为异常点或强影响点.均值飘移模型则是通过检验第i个点处的均值与其它点相比是否发生了飘移.　　 本文首先介绍了m维AR(p)模型的参数估计与假设检验，其次应用数据删除模型和均值飘移模型分别对m维AR(1)模型进行了统计诊断，然后证明了两者的等价性，并且得出了Cook统计量的具体计算公式.最后采用同样的方法将模型推广到m维AR(p)的情形，对m维AR(p)模型进行了初步的统计诊断，同样得出了具体的Cook统计量的计算公式，并且引入广义Cook距离，分别得到了W-K统计量和AP统计量.