为了更好的描述具有结构时变性时间序列的变化情况，1989年Hamilton提出马尔科夫转换模型(Markov Switching Model，MS模型)，可以根据时间序列数据表现出不同状态将其划分为不同阶段，对不同状态使用不同的结构模型建模。本文主要介绍了马尔科夫蒙特卡洛方法在机制转换模型参数估计中的应用，包括算法的过程，模型参数的后验分布函数以及在实证中的应用效果。　　本文主要分为四个部分。第一部分介绍了条件均值状态转换和条件方差状态转换的马尔科夫模型不同形式以及多状态转换的扩展分析，马尔科夫转化模型常用的参数估计方法和随机状态变量持续期的分析;第二部分简单介绍了马尔科夫蒙特卡洛方法，详细介绍了MH算法、Gibbs抽样算法以及扩展的Gibbs抽样-格子Gibbs抽样;第三部分推导了基于Gibbs抽样理论的马尔科夫转换模型的参数估计的后验分布形式，并同极大似然方法估计转换模型方法进行比对;第四部分论文的实证部分基于1991年7月-2011年3月的上证综合指数周收益率数据建立两状态的GARCH马尔科夫模型，根据文章的理论推导部分进行编程估计出两状态GARCH模型的参数。结果表明，Gibbs抽样理论基础上估计出的两状态GARCH模型参数是合理的，并且加入了转换机制的GARCH模型在似然函数、AIC和BIC的数值上优于一般的GARCH模型。