Dans ce travail, la sélection de modèle est utilisée afin de détecter des changements abrupts dans la moyenne d'un signal hétéroscédastique, sans connaissance \textit{a priori} du type de bruit. A la différence de la plupart des méthodes actuelles qui s'effondrent dans un cadre hétéroscédastic, nous proposons une nouvelle famille d'algorithmes basés sur le rééchantillonnage, et en particulier la validation-croisée, qui demeurent performants y compris dans un tel cadre. Les phénomènes sous-jacents sont expliqués par des résultats théoriques récents, tandis qu'une vaste étude de simulations garantit d'un point de vue empirique les performances des algorithmes proposés. Enfin, une application aux données de puce CGH souligne l'intérêt de méthodes robustes à l'hétéroscédasticité, tout en illustrant l'applicabilité des algorithmes proposés à des données réelles.