本文的研究焦点是Graphical Modelling，即研究多维模型中两变量在其他所有变量给定的条件下的条件相关性。在实际中，这种条件相关性往往不是恒定的。随着时间变化，原本条件独立的两个变量可能变得条件相关；反之，原本条件相关的两个变量也可能变得条件独立。因此，为了准确找出多维随机变量之间的条件相关性，我们必须首先找出模型中可能含有的变点。在估计出变点位置后，我们在不含交点的时间块中研究各变量之间的条件相关性。 文中首先给出一种检测多维随机模型波动性变点的方法。该方法通过对样本序列进行函数变换，将一个多维随机模型波动性变点检测问题转化成若干个一维随机模型的均值漂移检测问题，然后利用小波方法解决一维随机模型的均值漂移检测问题。模拟实验结果表明，该方法在大样本下能够准确找出变点，但在小样本下的表现差强人意。因此，在小样本下我们对以上方法进行改进。在多维模型的误差向量的分布给定的情况下，可以通过Monte Carlo给出检验统计量的临界值。 然后，通过简化Makram Talih的时变图模型，得到一种基于Bayesian思想的图结构检测方法。在缺乏先验信息和专业知识指导的情况下，基于假设检验的图结构检测方法往往由于无法正确选择原假设而无法得到正确的结果。这种情况下，应该采用基于Bayesian思想的图结构检测方法。 最后，采用本文模型对中国证券市场进行实证研究，着重研究证券市场六大板块之间的条件相关性。研究结果表明，1995到2004年间，中国证券市场存在12个波动性变点。其中距2004年底最近的一个变点位置为2003年6月，因此由2003年7月份至2004年12月份的数据，我们可以研究2004年年底中国证券市场六板块之间的条件相关性。