变点检测是当今统计研究中的热点问题之一,已经被应用到了工业、经济、金融、遗传基因和信号过程等多个领域。另一方面,许多时候我们只能观察到数据信息或者总体的部分信息,对其总体分布类型一无所知,此时如何进行变点检测是一项非常困难的工作。论文计划在此方面做一些探索工作。论文在邹长亮等人(2014)的研究基础上,借助修正的Berk-Jones函数,利用非参极大似然方法讨论多变点问题。之所以借助修正的Berk-Jones函数,主要是因为在大样本方面,它们与经验似然方法具有相同的极限性质,在小样本模拟方面,在某些情况下,利用它构造的检验具有较高的功效。具体来说,首先把邹长亮等人(2014)中的经验似然函数用修正的Berk-Jones函数替换,构造出新的似然函数;然后同时诊断变点个数和位置,估计相应每一段的分布；接着讨论它们的统计性质,主要是大样本下的极限性质；最后给出模拟比较。理论上,我们得到方法的渐近性、算法的相合性和较快的收敛速度等。模拟结果显示,在某些情况下,我们的方法能够较快、较准确地检测出变点个数和变点位置。本文的主要贡献归纳如下：1.利用非参极大似然方法,减少了对分布和模型的假定,从而避免出现模型假定错误。借助修正的Berk-Jones函数,使得理论证明和算法比较简洁明了。2.在一些相对宽松的条件下,可以证明,在对变点的估计没有任何分布假定的情况下,本文的非参数多变点检测方法可以实现较快的收敛速度。3.模拟显示本文提出的基于修正BJ方法,在某些情况下,能够比较快速有效地估计出了变点的个数和位置。在实际工作和生活中,许多数据序列都是未知的,也无从验证其明确分布,论文结论和方法为寻找变点提供了较为可行的做法。