Esta dissertação apresenta uma série de estudos interconectados voltados para o avanço da análise Bayesiana de séries temporais através do desenvolvimento e aplicação de Modelos Dinâmicos Lineares Generalizados (DGLM). Focando na atualização sequencial de informações dentro da família exponencial para respostas univariadas e multivariadas, este trabalho oferece novas metodologias que aprimoram as capacidades de análise em tempo real, monitoramento e tomada de decisão em diversos domínios. A pesquisa começa com a introdução de um novo método para atualização sequencial em DGLMs, enfatizando a eficiência computacional e a capacidade de gerar previsões oportunas. Estudos subsequentes estendem a metodologia inicial para acomodar uma gama mais ampla de distribuições dentro da família exponencial e exploram sua aplicação a múltiplos dados de séries temporais, incorporando efeitos mistos para modelar interdependências. A dissertação aborda tanto os fundamentos teóricos quanto as implicações práticas desses métodos, demonstrando sua eficácia por meio de aplicações com dados simulados e reais. Finalmente, o desenvolvimento contínuo do pacote kDGLM em R é discutido, destacando seu papel no contexto mais amplo da análise Bayesiana de séries temporais e seu potencial para futuras melhorias. A dissertação não só contribui para o discurso acadêmico, mas também fornece ferramentas e métodos práticos que podem ser prontamente empregados em diversas áreas, mostrando a relação simbiótica entre inovação teórica e aplicação prática na ciência estatística.