我找到解决方法了……虽然是两年前的问题，LZ估计是用不上这个答案了。
不过我还是出来让后来人做参考吧。

matlab代码如下：

x=(导入数据);  %这里sort不sort没关系
a=显著性水平;
%参数估计,Para中第一个值是mu，第二个是sigma
Para=lognfit(x);
%得出累积分布函数
FX=logncdf(x,Para(1),Para(2));
%检验
[h, p]=kstest(x, [x, FX], a)
%结果中h=0表示接受原假设（服从），h=1表示拒绝原假设（不服从）。p为p值。

为什么要用lognfit？ 这个不大明白，烦请介绍一下。在拟合mu和sigma时不可以直接用正态分布拟合么？也就是normfit函数。

做论文容易么， 费老大劲才弄出结果来，以下是beta的ks检验，其他类型分布直接改下分布就可以了，希望可以帮到需要的人
a=0.05;%a为置信度
%参数估计,Para中第一个值是phat（1），第二个是phat（2）；
phat=betafit(X);
%得出累积分布函数
FX=betacdf(X,phat(1),phat(2));
%检验
[h, p,betastst,critval]=kstest(X, [X, FX], a)
%结果中h=0表示接受原假设（服从），
%h=1表示拒绝原假设（不服从）。p为当零假设为真时得到观察值得概率，
%p为小概率时则对零假设提出质疑。
%当统计量betastat小于接受假设的临界值critval，则接受零假设。

请问这检验的是U【0，1】吗