在大规模传感器,信息监控系统,搜索引擎,社交媒体等应用中,时时刻刻都在产生着海量的、随时间不断变化的数据。对这些海量数据的监控、分析及其进一步挖掘是当前数据挖掘领域的一大热点。数据流是以序列形式出现的可能无限的实例序列,它具有高速、海量且随时间动态变化的特点。因此,对数据流的挖掘学习就必须要做到对数据流进行一次扫描、快速处理且能够动态更新。在动态变化的数据流上建立自适应的分类器是当前数据挖掘领域最重要的研究问题之一。目前许多数据流挖掘方法都不约而同地假定数据流的底层特征空间是静态的。然而,诸多现实生活中的应用场景却无法避免特征漂移的发生,比如随着时间的推移一般特征属性与目标概念的相关性发生变化从而导致概念分布的变化。此外,底层特征空间的动态变化还可能导致原先的相关特征属性不再相关甚至消失或者原来消失的概念又重新出现。基于这样的数据流环境,就需要分类器能够动态跟踪这种变化并能够自适应更新。对此,本文从数据流的特征漂移问题以及底层特征空间改变导致的概念演变问题两个方面展开了研究,主要工作包括:(1)针对数据流特征漂移问题,提出了一种动态特征加权的贝叶斯数据流分类算法。其核心思想是:考虑到数据流的动态更新性,一般特征与目标概念之间的相关性可能随着时间不断变化,为了跟踪这种变化并且将其应用到对新实例的预测上,利用信息论中的增益率来选择重要属性,并对分类过程中的特征权重进行动态更新以提高分类准确率。实验结果表明,该算法在分类准确率上较于其他单分类算法得到了提升。(2)针对数据流动态特征空间导致的概念演变问题,提出了基于贝叶斯的集成分类算法。算法通过连续存储一些基本学习模型,用动态特征空间表示数据流中的不同概念。对于每个基本分类模型,仅保留最具预测性的特征,将基本分类模型以概念向量的方式存储于模型库中,并且根据数据流的动态变化进行调整。在此基础上,选择合适的基本模型组成集成分类器,用于对新到来的未标记实例进行预测。实验结果显示该集成算法在大多数数据集上较其他集成算法更具有更好的分类性能。