随着信息技术的不断进步和计算机网络的迅速发展,众多应用领域如网络安全、股票分析、电子商务、气象监控等产生了大量的数据流,其中蕴含着丰富的有价值的知识亟待挖掘。作为知识发现的主要分支,分类具有重要的应用价值,数据流的分类己成为数据挖掘研究的热点之一。然而,由于数据流的无限性、快速性和持续性等特点,使得传统的挖掘算法难以及时有效地对其进行处理,并且数据流中隐含的许多知识或概念会随着时间或环境的变化而改变,即概念漂移,如何有效地发现和适应概念漂移给数据挖掘领域带来了极大的挑战。本文针对隐含概念漂移的数据流的分类问题开展了以下工作的研究:(1)概述并分析了已有数据流分类算法在概念漂移问题处理方面的优点及不足;(2)针对隐含概念漂移的数据流分类问题,设计了一种基于实例加权方法的数据流分类算法(EWAMDS),根据各基分类器的预测结果调整训练实例的权值,以使构造的模型快速地收敛于新概念;同时,为了提高算法的抗噪性,引入动态权值修改因子。实验表明,这种动态调整机制能有效提高算法的适应性和抗噪性;并且,与weighted bagging相比,EWAMDS的时间开销显著降低、分类正确率显著提高;(3)当发生突变式概念漂移时,旧基分类器以较小的权值参与组合仍会影响集成分类器的适应性。为此,提出一种基于错误率方差的概念漂移检测模型,当检测到概念漂移时丢弃当前模型,并以此为基础设计了MSEBDM算法。实验表明了算法的有效性;(4)基于上述研究,实现了数据流分类EWAMDS系统,实验验证了算法的正确性和有效性。