近年来,由于互联网技术的迅猛发展,在各大行业中催生出海量的数据。例如金融、医疗、教育等行业每天都在产生大量的数据,企业利用这些数据可以进行广告推送、市场细分、数据分析和各种产品的创新。随着数据量的急速增长,对于处理数据的方法也提出了更高的要求。目前,数据流突变点检测技术也逐渐得到了广泛的关注,但传统的检测技术已不能满足当前的需求。因此,在线检测方法由此而来,并随着对数据分析方法性能方面的要求越来越高,逐渐成为当前研究的热点问题。滑动窗口是目前数据流多突变点检测中的常用的技术之一,运用滑动窗口可以将时序数据流进行切分成多个子序列,对每个窗口中的子序列分别进行分析以达到多突变点检测的目的。在检测突变点的过程中,我们发现滑动窗口的长度会对突变点的检测结果产生一定的影响。此外,传统的数据流突变点检测技术大部分都是离线算法,无法对数据流进行在线检测。本文基于离线算法和滑动窗口模型,提出了一种基于自适应在线模型和随机交叠模型的多突变点在线检测模型,并利用本文所提模型构建多路病理信号关联网络,分析信号之间的关联关系,均取得了较好的效果。首先,本文介绍了TSTKS算法,结合滑动窗口模型可以对数据流进行多突变点检测。在此基础上,引入了缓冲区模型,利用缓冲区实时接收时序数据,再将数据放置到数据接收器中,利用滑动窗口切分数据,在每个滑动窗口中利用TSTKS算法进行多突变点在线检测。其次,根据不同阶段的数据波动趋势,提出了自适应在线模型,该模型可以动态调整缓冲区的长度,利用连续多个缓冲区内检测到的突变点的情况进行调整。根据缓冲区内检测到的突变点个数的变化情况,当连续的多个缓冲区内数据检测到的突变点个数逐渐减小时扩大缓冲区的长度;当连续的多个缓冲区内数据检测到的突变点个数逐增大时,可以减小缓冲区的长度。此外,滑动窗口的长度也会随着缓冲区的长度进行调整,当缓冲区长度减小时滑动窗口的长度根据比例相应的减小,当缓冲区长度增加时,滑动窗口的长度也随着增大。同时,为了进一步提升算法对突变点的检测效果,在滑动窗口模型中引入随机交叠模型,利用该模型提升算法的准确性。从验结果可以看出,自适应在线模型相比固定缓冲区模型,时耗有了较为明显的降低,同时基于自适应在线模型的随机交叠模型可以进一步提高算法对突变点检测的准确度。最后,利用本文提出的自适应在线模型和随机交叠模型,构建多路病理信号关联网络,对病变数据进行关联分析。实验结果表明,基于本文提出的自适应在线模型和随机交叠模型构建出的关联网络相比于固定缓冲区和固定滑动窗口模型、无缓冲区和固定滑动窗口模型具有更好的效果。