数据流上的密度估计可以获得数据流的分布情况及基本特征，为其它数据挖掘操作提供有价值的信息，因此这方面的研究日益为数据库界所关注。由于数据流具有数据量大和不断增长的特点，传统的核密度估计方法并不适合。本文提出了“增量估计”和“核合并”两种新技术，并在此基础上给出了一种新的估计数据流密度的DEODS算法。“增量估计”使得算法只需对数据进行单遍扫措，“核合并”保证了算法只需要固定大小的内存。我们在具有不同分布、不同数据顺序的数据流上对运行时间、误差率、输出结果能力等进行了一系列实验，实验结果表明，DEODS算法的运行时间与数据规模成线性关系，与传统方法相比，其估计结果的误差率是相当的，且算法能在处理过程中随时输出结果。 本文研究工作的出发点在于如何有效地处理数据流，并从中提取出有价值的信息。本文的工作集中于如何在对数据流上有效的计算估计密度函数。但是在很多场合中，只有数据分布的信息是远远不够的。所以我们正在进行在数据流上其他信息的挖掘和抽取工作，包括聚类、寓群点分析、中位数估计等等。