时间序列信号遍布我们的生活,能够反映事物、现象等随时间的变化状态或程度。当前,针对时间序列数据的研究一直在不断地深入。其中,非平稳时间序列信号的动态建模方法作为时间序列数据分析的重要研究方向之一,在金融分析、气候分析、网络安全、人体健康、设备监测等领域发挥着重要的作用。本研究以非平稳时间序列信号为研究对象,按照“机理模型+复杂数据模型”的创新思路在时域和时频域上提出了有效的动态建模算法,此外以变化点监测为典型应用场景,沿着“动态建模——平稳性指标提取——变化点决策”的技术路线,研究所提出的动态建模方法的应用效果。针对时域分析,本文通过将机理驱动的方法与数据驱动的方法结合,提出了有效的动态建模方法。首先,为了对时间序列机理进行提取,采用差分整合移动平均自回归模型对具有周期性质的时间序列数据进行建模。通过动态周期分割与周期标准化来实现周期分析,按照差分整合移动平均自回归模型将其时间序列数据的同相位点进行提取。然后,针对时间序列数据的同相位点,利用一类支持向量机作为复杂数据模型对其进行建模,从而利用支持向量机模型序列对时间序列数据进行描述。然后,为了验证建模方法的应用效果,利用支持向量机序列预测每一个点与其同相位点的数据分布相比是否离群,将离群点分布密集程度作为平稳性指标,最后利用通用的决策算法判断时间序列平稳性是否出现变化。针对时频域分析,本文通过将时频变换与有限超越可视图模型相结合,提出了有效的动态建模方法。首先,为了提取出时间序列信号的机理信息,利用短时傅里叶变换将时间序列信号转化为时频谱,在时频谱的基础上计算功率谱。然后在每个时刻的功率谱基础上构建有限超越可视图模型,从而将功率谱的各频率成分之间的相关性信息提取出来,形成有限超越可视图序列,用来对时间序列信号的状态进行描述。为了验证该方法的应用效果,针对有限超越可视图,通过将结构化距离和非结构化距离相融合提出了一种新的图相似度度量指标,利用中位图对历史数据进行描述,将中位图与当前图的相似度作为平稳性指标,然后利用变化点监测算法判断时间序列平稳性是否出现变化。为了验证所提出的方法的有效性,本文以机械设备作为典型应用对象,研究所提出的基于同相位分析的时域分析算法在机械运行状态变化监测中的应用;以脑电信号作为典型应用对象,验证所提出的基于相关性分析的时频域分析方法在脑电信号变化点监测中的有效性。最后,对本研究的主要内容进行了总结,并且对其不足之处和后续工作进行了讨论。