Em algumas situações, séries temporais de contagem podem apresentar uma quantidade de zeros maior do que o esperado no modelo ajustado. Com o intuito de modelar tais séries, neste trabalho foi proposta uma classe de processos autorregressivos para valores inteiros não negativos (INAR(p)) com inovações seguindo distribuições inflacionadas de zeros, as quais denotamos por ZI-INAR(p). Esta classe tem como caso particular o processo INAR(p) com inovações Poisson Inflacionada de Zeros (ZIP-INAR(p)) e possibilita definir dois novos processos, com inovações Binomial Negativa Inflacionada de Zeros (ZINB-INAR(p)) e Poisson Inversa Gaussiana Inflacionada de Zeros (ZIPIGINAR(p)). Para a classe, desenvolvemos a metodologia de estimação dos parâmetros via algoritmo EM e propomos métodos de bootstrap paramétrico e em blocos para construir intervalos de confiança e estimar a distribuição de previsão. Estudamos por meio de simulações o desempenho dos métodos de estimação propostos. Além disso, aplicações em conjunto de dados reais foram consideradas para comparar os processos ZIP-INAR(p), ZINB-INAR(p), e ZIPIG-INAR(p), com os processos com inovações Poisson, Binomial Negativa e Poisson Inversa Gaussiana, via medidas de qualidade de ajuste e medidas de acurácia de previsão.CAPESIn some situations, counting time series may have more zero values than expected under the fitted model. In order to lead with such series, in this work, we propose a class of integer valued non-negative autoregressive processes of order p (INAR(p)) with innovations following zero inflated distributions, which we denoted by ZI-INAR(p). This class has as a particular case the INAR(p) process with Zero Inflated Poisson innovations (ZIP-INAR(p)) and it allows to define two new processes, with Zero Inflated Negative Binomial innovations (ZINB-INAR(p)) and Zero Inflated Gaussian Inverse innovations (ZIPIG-INAR(p)). For the class, we propose the parameters estimation methods via EM algorithm and the parametric and block bootstrap methods to obtain the confidence intervals and estimate the forecasting distribution. We studied through of simulations the performance of the parameters estimation. Also, we applied in a real data set our methodology in order to compare the performance of the ZIP-INAR(p), ZINB-INAR(p) and ZIPIG-INAR(p) processes, with the processes with Poisson, Negative Binomial and Poisson Inverse Gaussian innovations, via goodness-of-fit statistics and measures of forecasting accuracy.