变点问题自上个世纪70年代以来一直是统计学中引人注目的话题,早期的变点分析方法是为独立的观测值开发的,而后拓展到更复杂的相依过程以及回归模型。关于线性回归模型中的结构变点问题,在误差项由独立同分布到相依性再到具有异方差性的情况已被大量研究。本文研究带有既能表现长记忆性又能表现异方差性的长记忆随机波动率误差的线性回归模型结构变点的检验、监测和估计问题。首先,基于最小二乘拟合残差提出了一个自正则CUSUM检验统计量来检验结构变点,在原假设下证明了检验统计量的极限分布,在备择假设下证明了统计量的一致性,并采用了Sieve Bootstrap方法近似了检验统计量的临界值。数值模拟研究表明Sieve Bootstrap方法能很好地控制经验水平,提出的检验方法能够有效地检测到变点。此外,通过一组西宁市空气中的PM2.5浓度与SO2浓度数据建模并检验了其中的结构变点,说明了所提方法的可行性。其次,基于最小二乘拟合残差提出了一个监测统计量,监测模型中的结构变点,证明了监测统计量在原假设下的极限分布,在备择假设下的一致性,并使用Sieve Bootstrap方法近似临界值。数值模拟结果表明,经验水平都控制在检验水平之下,并且有较高的经验势和较短的平均运行长度。最后,基于最小二乘拟合残差构造的统计量估计变点,通过数值模拟研究了估计量的有限样本性质,变点估计直方图直观地展示出估计量具有较小的平均绝对偏差与标准误差。