在过去的几年里，光滑的模型变得越来越受欢迎。然而，标准平滑方法无法处理函数或其一阶导数中的不连续性。特别是，这意味着数据中的结构变化可能隐藏在平滑估计中。最近，Chu、Glad、Godtliebsen和Marron（1998）建议局部M估计为边缘保持平滑。局部M估计的基本思想是，超过跳跃的观测值被视为离群值，在估计中被向下加权或忽略。我们在这里追求一个不同但相关的想法，并将跨越跳跃的观察视为来自不同人群的追踪，该人群与当前人群的平均值不同。这意味着我们局部地施加一个混合模型，其中混合是由于不同的平均值而发生的。为了进行拟合，我们应用了EM算法的局部版本。我们的方法的优点体现在它的一般形式上。特别是，它很容易扩展到非高斯数据。该程序应用于两个例子，第一个是关于失业期间结构变化的分析，第二个侧重于疾病绘图。