Este estudio analiza los problemas de estimación y detección en la mezcla de modelos de regresión lineal con punto de cambio. Se ha diseñado un algoritmo de Expectation-Maximization (EM) mejorado específicamente para datos de mezcla clasificados en múltiples clases con puntos de cambio. Bajo condiciones apropiadas, se demuestran rigurosamente las propiedades de muestra grande del estimador. Este algoritmo EM mejorado no solo localiza con precisión los puntos de cambio, sino que también proporciona estimaciones precisas de parámetros para cada clase. Además, se propone un detector basado en la función de puntuación para identificar la presencia de puntos de cambio en datos de mezcla. Se derivan sistemáticamente las distribuciones límite de las estadísticas de prueba bajo las hipótesis nula y alternativa. Se realizan experimentos de simulación extensos para evaluar la efectividad del método propuesto, y se realizan análisis comparativos con el algoritmo EM convencional. Los resultados demuestran claramente que el algoritmo EM sin considerar puntos de cambio muestra un rendimiento deficiente en la clasificación de datos, lo que a menudo resulta en la clasificación errónea o incluso en la omisión de ciertas clases. En contraste, el método de estimación introducido en este estudio muestra una precisión y robustez notables, con tamaños y potencias empíricas favorables.