变点回归模型以其简洁、灵活的形式及优良的拟合效果受到应用统计界的喜爱,并被广泛用于金融学、保险学、医学等领域.而变点个数的识别及位置的确定又是变点回归研究中的核心内容,直接影响着模型形式及估计方法的确定.本研究将极大似然估计法引入分段线性模型,克服了贝叶斯推断需主观设定先验值的缺点,利用似然比检验(LRT)识别变点个数,更为直接地得到时间轴上变点位置的估计.联合推断是考虑纵向数据模型与生存分析模型之间潜在的相互影响,将两模型通过公共的协变量与随机效应等结合起来,利用较为全面的影响研究结果的信息得到所有参数无偏估计的统计方法.由于纵向数据及生存分析模型的形式及估计方法的多样性,使联合推断研究具有广阔的探索空间和适用范围.联合推断方法避免了相互影响的两类模型单独估计参数时出现的误差,以简洁的模型结构达到较好的分析效果.本文在联合似然推断的理论框架下研究了多变点线性混合效应(LME)模型的变点识别问题：第一章,简要描述了纵向数据和生存数据联合模型及变点识别的研究意义和背景、国内外研究动态以及本文的结构和技术路线；第二章,介绍了纵向数据分析中常用的线性混合效应模型及其似然推断方法,以及生存分析中可以直接反映不同治疗方式影响的加速失效时间(AFT)模型；第三章,提出了共享协变量和随机效应的含有多个变点的线性混合效应模型和混合效应加速失效时间模型的联合模型,利用似然比检验识别变点个数,并通过Gauss-Hermite近似解决联合似然函数中的复杂积分得到的变点估计；第四章,进行了四组数值模拟,对变点和参数估计结果统计分析,验证了变点识别及参数估计方法的可靠性；第五章,通过原发性胆汁性肝硬化(PBC)症治疗过程及左心室肥大(LVH)患者心脏瓣膜手术(HVS)后恢复情况的实例说明了本研究对临床医学具有的指导和借鉴意义；第六章,结论与展望.