Les réseaux bayésiens dynamiques (DBNs) fournissent un formalisme graphique pro- babiliste décrivant, à travers des dépendances conditionnelles, des systèmes dynamiques com- plexes sous incertitude. Cependant, dans la plupart des cas, le processus de Markov génératif sous-jacent est supposé homogène, ce qui signifie que ni sa topologie ni ses paramètres évo- luent au cours du temps. Par conséquent, apprendre un DBN pour modéliser un processus non stationnaire sous cette hypothèse équivaudra à de pauvres capacités de prédictions. Nous construisons donc un framework pour l’apprentissage en temps réel des différents modèles pro- babilistes sous-jacents, sans hypothèses sur leur nombre et leur évolution. Nous montrons la performance de la méthode sur des données simulées. L’objectif du système est la modélisation et la prédiction d’incongruités pour un Système de Détection d’Intrusion (IDS) en temps réel, aussi un grand soin est attaché à la capacité d’identifier précisément les moments de transition.