چکیده: شناسایی موثر نقطه تغییر در یک فرآیند چندمتغیره یکی از مسائل مهمی است که محققان با آن روبرو هستند. اکثر مطالعات موجود برای این مهم‏، توسط روش درستنمایی ‏ماکسیمم ‎یا‏ روش یادگیری ماشین‎‎‎‏‎‎‎‎‎ انجام گرفته است. مشکلی که در روش درستنمایی ماکسیمم وجود دارد‏، فرض مشخص بودن توزیع فرآیند می‌باشد که معمولاً در عمل‏‏، اطلاعاتی در مورد توزیع فرآیند نداریم؛ همچنین روش یادگیری ماشین نیز هنگامی‌که تعداد متغیرهای ورودی زیاد باشد‏، هزینه محاسباتی ‏زیادی‎‎ خواهد داشت. در این مطالعه‏، با در نظر گرفتن دو گونه مختلف از ترکیب روش‌های مدل‌سازی آماری و یادگیری ماشین‏، سعی داریم که مشکل مذکور را تا حدی مرتفع کنیم. گونه اول‏، ترکیب روش رگرسیون لجستیک با روش ماشین بردار پشتیبان است؛ به‌طوری‌ که بعد متغیرهای ورودی‏، ابتدا توسط روش رگرسیون لجستیک کاهش داده شده و این مجموعه کاهش یافته به‌عنوان ورودی روش ماشین بردار پشتیبان در نظر گرفته می‌شوند. سرانجام با استفاده از خروجی روش ماشین بردار پشتیبان‏، رهیافت شناسایی نقطه تغییر در فرآیندهای چندمتغیره مطرح می‌شود. در گونه دوم‏، روش رگرسیون چندمتغیره سازوار اسپلاین‏، جایگزین روش رگرسیون لجستیک شده و بقیه مراحل عیناً اجرا می‌شود. نتایج شبیه‌سازی حاکی از آن است که مدل ترکیبی مطرح شده به‌طور موثری قادر به شناسایی نقطه تغییر در فرآیندهای چندمتغیره می‌باشد و این مدل عملکرد بهتری نسبت به نمودار کنترل شوهارت و همچنین مدل تکی ‎‏‎ماشین بردار پشتیبان دارد.