Lee-Carter模型(简称经典LC模型)的问世是随机死亡率模型发展中的一个里程碑。然而经典LC模型的缺陷之一是其随机误差项的方差存在异质性,这会增加死亡率预测结果的不稳定性。基于主成分分析思想,以主成分得分为解释变量构建的对数中心死亡率回归模型(简称为经典PC模型)通过增加主成分的个数使得异方差问题迎刃而解。然而经典PC模型存着两个问题阻碍着其发展,一是经典PC模型中主成分得分的预测尚未出现较好的预测模型,二是经典PC模型中各主成分的人口学含义不够明确。本文针对经典PC模型中存在的两个问题进行了研究,将多变点检测方法应用于人口死亡率预测中,并赋予了死亡率与其均值的波动的主要主成分人口学解释。首先对各个年龄组的人口死亡率相对于其均值的波动进行主成分分析,利用发达国家1951-2010年连续60年死亡率数据,从三个方面比较了经典LC模型与经典PC模型,结果表明经典LC模型可以看作是经典PC模型仅含第一个主成分的情形,通过增加主成分的个数可以减弱甚至消除经典LC模型中的异方差。其次,对主要主成分得分采用变点检测法估计其分段线性回归中的最优变点个数及变点位置,依据最后一段回归模型外推主成分得分的预测值,进而可以得到未来死亡率的预测值。最后,结合主成分得分系数以及死亡率改善热度图等工具给出了前两个主成分的人口学含义。研究结果显示,多变点检测方法提高了死亡率模型的预测精度;死亡率与其均值的波动的第一主成分主要综合了各年龄组的死亡率随时间变化而下降的信息,第二主成分主要综合了队列效应对死亡率的影响。