Se consideran dos modificaciones con coeficientes variables del conocido modelo SEIR para el desarrollo de epidemias en la aplicación a la modelización de las curvas de infección de COVID-19. Los datos para estos modelos son información sobre el número de infecciones cada día obtenida de la base de datos del Centro de Recursos de Coronavirus de la Universidad Johns Hopkins. En nuestro artículo, proponemos métodos especiales basados en regularización de Tikhonov para la identificación de modelos en la clase de coeficientes constantes por tramos. A diferencia del modelo con coeficientes constantes, que no siempre puede describir con precisión algunas de las curvas de infección, el primer modelo puede aproximarlas para diferentes países con una precisión del 2-8%. El segundo modelo considerado en el artículo tiene en cuenta fuentes externas de infección en forma de un término no homogéneo en una de las ecuaciones del modelo y puede aproximar los datos con una precisión ligeramente mejor del 2-4%. Para el segundo modelo, también consideramos la posibilidad de utilizar otros datos de entrada, como el número de personas infectadas por día. Estos datos se utilizan para modelar las curvas de infección para varias olas de la epidemia de COVID-19, incluida parte de la ola de Ómicron. Experimentos numéricos realizados para varios países muestran que las olas de fuentes externas de infección encontradas están por delante de la ola de infección en 10 días o más. Al mismo tiempo, otros coeficientes constantes por tramos del modelo cambian relativamente lentamente. Estos modelos pueden aplicarse de manera bastante fiable para aproximar muchas olas de curvas de infección con alta precisión y pueden utilizarse para identificar fuentes externas y ocultas de infección. Esta es la ventaja de nuestros modelos.