Es muy frecuente que en algún momento un proceso de series temporales cambie abruptamente su estructura subyacente y, por lo tanto, es muy importante detectar con precisión dichos puntos de cambio. En este problema, que se llama detección de puntos de cambio, necesitamos encontrar un método que divida la serie temporal no estacionaria original en segmentos estacionarios por partes. En este documento, desarrollamos un método flexible para estimar el número desconocido y las ubicaciones de los puntos de cambio en series temporales autorregresivas. Para encontrar el valor óptimo de una función de rendimiento, que se basa en el principio de Longitud Mínima de Descripción, desarrollamos un algoritmo de Entropía Cruzada para el problema de optimización combinatoria. Nuestros experimentos numéricos muestran que el enfoque propuesto es muy eficiente en la detección de múltiples puntos de cambio cuando el proceso subyacente tiene variaciones moderadas a sustanciales en la media y el coeficiente de autocorrelación. También aplicamos el método propuesto a datos reales de la serie de tasas de cambio diarias AUD/CNY desde el 2 de enero de 2018 hasta el 24 de marzo de 2020.