开发一个能够预处理多语种的文本数据的系统，实现1）能够识别出改文本（篇章）属于哪一个语种（例如英语、汉语、藏语、维吾尔语、印地语、尼泊尔语、波斯语、普什图语、孟加拉语、旁遮普语等10种语言）；2）能够将文本处理成能够明确区分段落、句子等不同形式；3）针对句子级别，能够识别出属于哪一种语言，准确度尽可能的高（接近100%）：4）能够演示系统测试结果，提供系统性能。

这是一个非常有挑战性的任务，需要利用自然语言处理技术和机器学习算法来实现。以下是一个可能的实现方案：

1. 语种识别
首先，可以使用语言模型来识别文本的语种。常用的语言模型包括n-gram模型和神经网络语言模型。对于n-gram模型，可以利用训练好的语料库来计算不同语种的n-gram频率分布，然后使用这些分布来对新的文本进行分类。对于神经网络语言模型，可以使用预训练的语言模型（如BERT、GPT等）对文本进行表示，然后使用分类器来对文本进行分类。这些模型都需要足够大的训练语料库来保证准确度。

2. 文本分段
对于文本分段，可以使用文本分割算法，如基于规则的分割算法、基于机器学习的分割算法等。其中，基于规则的分割算法可以利用文本的结构特征（如标点符号、段落等）来进行分割。基于机器学习的分割算法则需要使用已经标注好的训练集来训练模型，然后对新的文本进行分割。

3. 句子识别
句子识别可以使用句子分割算法，如基于规则的分割算法、基于机器学习的分割算法等。其中，基于规则的分割算法可以利用标点符号来进行分割，但是对于某些语种（如中文）标点符号不太规范，因此需要针对不同语种进行不同的处理。基于机器学习的分割算法需要使用已经标注好的训练集来训练模型，然后对新的文本进行分割。

4. 句子语种识别
句子语种识别可以使用和语种识别相同的方法，即利用语言模型或者预训练的语言模型来对句子进行表示，然后使用分类器来对句子进行分类。需要注意的是，对于某些语种（如印地语、旁遮普语等）需要使用不同的字符编码（如Unicode、UTF-8等）来表示。

5. 系统测试和性能展示
为了展示系统的测试结果和性能，可以使用已经标注好的测试集来评估系统的准确度和性能。需要对测试集进行预处理，并将测试结果与标注结果进行比对。同时，可以使用一些性能指标来评估系统的性能，如准确度、召回率、F1值等。可以将这些测试结果和性能指标展示在系统的界面上，方便用户了解系统的性能。