大数据时代的到来产生了丰富海量的数据,但如何有效地检测出数据中异常突变点备受人们关注.变点检测技术无疑是目前解决这一问题的最有效手段之一,该检测手段已广泛应用到经济学、气候模拟、生物医药、反恐安检等各个领域,具有重要的研究意义.但对带有时间序列自回归影响,又有协变量线性回归影响的数据模型,即本文提出的混合回归模型已有文献鲜有涉及.本文计划就混合回归模型中的变点检测问题进行研究.本文首先对一些经典文献做简要的回顾,并对简单的均值模型、自回归模型、回归模型进行了分析总结,构造出新的模型,即混合回归模型.然后,采用带有惩罚的最小二乘法对模型参数进行估计.考虑到变点的稀疏性,我们借助了Group Lasso(Least absolute shrinkage and selection operator)技术将变点估计问题转化变量选择问题,同时给出了寻找变点的坐标下降算法.接着,给出了混合回归模型变点检测的方法,即提出检测统计量,并在一定条件下给出相应的统计性质和理论证明.最后,利用数据模拟进一步分析说明.本文主要结论:在给定条件下,变点个数的估计不小于真实变点个数是依概率趋于1的;变点位置的估计与真实位置、模型参数的估计与真实参数都具有一致性(指在给定条件下,变点位置的估计与真实位置或者模型参数的估计与真实参数差的绝对值能被限定在某个范围内);若变点个数的估计不小于真实变点个数时,变点估计集与真实变点集具有一致性;在给定的信息准则下,仅与模型调节参数有关的变点数量的估计依概率1趋于真实变点数量.模拟结果显示,混合回归模型与已有三种模型相比,可以更加准确的检测出变点位置及数量,且稳定性高,优势明显.