La mezcla de regresiones funcionales de procesos gaussianos (GPFRs) asume que hay un lote de series temporales o curvas de muestra que son generadas por procesos aleatorios independientes con diferentes estructuras temporales. Sin embargo, en situaciones reales, estas estructuras se transfieren de manera aleatoria en una escala de tiempo larga. Por lo tanto, la suposición de curvas independientes no es verdadera en la práctica. Para deshacernos de esta limitación, proponemos el modelo de mezcla de GPFR basado en Markov oculto (HM-GPFR) al describir estas curvas con estructuras temporales tanto finas como gruesas. Específicamente, la estructura temporal se describe mediante el modelo de proceso gaussiano a nivel fino y el proceso de Markov oculto a nivel grueso. Todo el modelo puede considerarse como un proceso aleatorio con dinámicas de cambio de estado. Para mejorar aún más la robustez del modelo, también damos parámetros a priori al modelo y desarrollamos un modelo de mezcla de GPFR basado en Markov oculto bayesiano (BHM-GPFR). Los resultados experimentales demostraron que los métodos propuestos tienen tanto una alta precisión de predicción como una buena interpretabilidad.