分布式数据流挖掘日渐成为数据挖掘领域的一个新的研究热点。分布式数据流不仅具有数据量大，速度不断变化，潜在无穷多等典型的数据流的一般特征，还具有非集中，产生于多个数据源的特征。银行交易业务、科学实验观察、传感器网络等都是能够产生这类分布式数据流的典型应用。因此，快速、有效地对分布式数据流进行分析和挖掘从而获得对人们有益的知识，具有很强的实用性和广泛的应用前景。　　 本文的研究内容限定于分布式数据流挖掘中的一个方面——同构的分布式数据流的分类方法。提出了一种结合使用决策树和贝叶斯分类模型进行分布式数据流挖掘的方法。该方法使用了基于元学习的分布式挖掘框架，将局部数据流上的信息通过统计概要的形式表达出来，供中心节点进行二次学习，从而掌握全局的数据分布，有效地解决了分布式数据流挖掘中的传输代价问题。该方法充分发挥了决策树和贝叶斯两种分类模型的优势。局部节点使用决策树对数据流进行快速分析处理，中心节点使用贝叶斯能够从统计概要中进行学习，而不依赖于原始数据。　　 此外，本文提出了一种使用集成分类器进行概念漂移检测的算法。该算法在维护和更新集成分类器方面结合使用了多种策略进行综合控制。能够根据集成分类器对当前概念的掌握情况来动态的决定下一步采取的动作，而不是机械式地采取固定的一系列动作。这种动态策略能够避免在概念稳定时带来的不必要的维护开销，提高了计算效率。该算法能够及时地检测概念漂移的发生并快速地从概念漂移中恢复过来。　　 针对本文提出的方法的实验结果表明，该方法能够有效地对分布式数据流进行学习和挖掘。在数据流的概念处于稳定的时期，在中心节点上能够获得对全局数据分布的较好掌握。在数据流的概念发生漂移时，局部节点和中心节点均能检测到漂移情况的发生并快速地从中恢复。