金融市场有时会受到外界的干扰产生异常的波动,例如金融危机对证券市场产生的冲击会导致证券价格产生非正常的波动。为了能够很好的刻画这种现象,莫顿在连续扩散模型的基础上,引入跳来刻画价格产生的异动。同时随着计算机技术的发展使高频金融数据的获得成为可能,而高频金融数据具有的特点是普通的时间序列数据所不具备的,对把握金融市场的微观结构具有重要作用。然而对高频数据的跳扩散模型的研究还比较缺乏,因此本文主要研究高频数据的跳扩散模型的参数估计方法。本文针对高频数据的跳扩散模型提出了一种先将跳跃过程与扩散过程分离然后进行参数估计的方法。本文首先研究了Lee-Mykland对跳跃行为的检验方法,并通过模拟检验发现了其在检验漏判概率时存在的错误。接着本文利用逐点检验的思想构造服从t分布的跳检验统计量,然后进行模拟检验计算该统计量的误判概率及漏判概率,并得到该检验统计量的误判概率及漏判概率均控制在较小的范围内的结论。最后通过比较评价得出本文构造的跳检验统计量比Lee-Mykland提出的跳检验统计量具有更小的漏判概率。接着本文采用极大似然估计法对扩散过程以及跳跃过程中的参数分别进行估计,并利用Matlab编程进行模拟检验。检验时首先生成预先设定参数值的跳扩散模型数据,再对生成的数据进行参数估计,最后计算估计值与设定值的相对误差,以考察估计方法的优良性。通过分别模拟计算正态跳幅跳扩散模型与指数跳幅跳扩散模型的参数值并与预设值进行比较后,得出各个参数的估计值均控制在合理的范围内,进而得出本文提出的方法具有结果准确,操作简单等优势。最后本文通过选取2012-2014三年的沪深300指数5分钟数据进行实证分析,先对价格数据进行预处理,再利用本文提出方法进行参数估计,最后通过估计出参数的模型生成模拟数据来计算特征统计量与原数据的特征统计量进行比较分析。经过分析表明：沪深300指数近三年数据符合正态跳扩散模型。同时通过本文提出的参数估计方法得出了该跳扩散模型的具体形式,由此证明了本文方法对于高频数据具有很强的实用性。