对金融市场波动性的建模与预测分析是计量经济学领域的热点问题。研究发现许多金融数据是非平稳的,具有“尖峰厚尾”特征,其分布比正态分布呈现更大的尾概率,致使大量数据信息滞留在尾部。结构变点是导致时序数据非稳定的一个重要原因,故构建计量模型之前进行有效的结构变点检测就显得非常必要。均值是金融数据的重要数值特征,因此本文主要围绕厚尾序列均值变点的统计推断问题展开研究,具体内容如下。针对经典的累积和检验统计量易受变点位置影响的缺陷,通过将统计量颠倒构建了其修正形式,从而实现厚尾相依序列的均值变点检验。理论证明了修正的累积和检验统计量分别在原假设与备择假设下的极限分布。鉴于时序数据的相依性和厚尾性,采用Block Bootstrap抽样方法解决了统计量渐近分布的临界值确定问题。数值模拟结果表明:修正的累积和检验统计量不仅克服了原统计量依赖变点位置的缺陷,且经验势值有较明显的提升。为了提升检验功效,给出了一个新的Ratio检验统计量。基于广义的中心极限定理,得到原假设下统计量的渐近分布,并在备择假设下证明了该检验的一致性。数值模拟结果表明:Ratio检验能很好的控制经验水平,较之前的修正累积和检验方法,经验势值也有一定的改善。最后,为进一步验证文中提出的均值变点检验方法的可行性和有效性,选取了两组金融股票数据进行实证分析。研究发现对于均值变点问题,基于Block Bootstrap抽样的Ratio统计量不失是一个有效的检测工具。