随着互联网的迅速发展,许多应用场景中产生了越来越多的数据,这些数据大多以数据流的形式存在。例如电商时时刻刻产生的交易信息、网站每天生成的日志数据等等。从这些场景中的数据流中挖掘其中蕴含的有效信息也成为了一个热门的研究方向。在现实的很多应用场景中,数据流中的每个样本包含了多个标签。例如在一个在线网页新闻分类任务中,一篇网页新闻会包含了多个新闻主题（经济、政治、军事、商业等等）。在线的视频分类任务中,一段视频可能被打上多个标签（灾难、海洋、科幻等等）。因此,针对多标签数据流分类算法的研究是很有现实意义的。本文面向多标签数据流分类任务的主要工作如下:1.针对数据流环境下分类算法无法获得所有训练数据的问题,本文将增量学习思想应用到多标签数据流分类算法中。本文在对传统的增量朴素贝叶斯算法进行改进的基础上,针对现有的增量朴素贝叶斯算法未充分利用初始训练阶段中的实例特征信息的问题,本文利用KMeans算法得到的簇心集合保存初始学习阶段中的实例代表性信息,提出融入了 KMeans算法的增量朴素贝叶斯分类算法IL-KNB。在多标签标准数据集的实验表明了 IL-KNB算法的有效性。2.针对数据流中普遍存在的概念漂移问题,为了避免分类算法在遇到概念漂移时性能遭遇大幅下滑,本文在多标签数据流分类算法中并行的主动去检测概念漂移,从概念漂移的诱因与影响模型分类效果的角度出发,提出了双层概念漂移检测算法。该算法分别从数据层面和模型层面进行概念漂移检测,并针对这两种不同类型的概念漂移采用了不同的处理策略。3.为了提高多标签数据流模型分类性能,本文将数据流建模成基于数据块的集成学习问题,提出了多标签数据流分类算法ILMLSC。ILMLSC把IL-KNB引入作为基分类器,当最新的数据块到来时,对于先前训练的IL-KNB基分类器进行增量学习。针对基于数据块的集成学习的基分类器淘汰的时候会丢失有用信息的问题,ILMLSC引入了基于信息池的模型选择与更新机制。有些基分类器在遇到概念漂移时,在最新的数据块性能表现不好,现有的一些方法面对这种情况是直接淘汰该基分类器。ILMLSC中的信息池机制在遇到某个基分类器被当前的集成模型淘汰时,不是永久丢除,而是放到信息池中,并根据当前集成模型的基分类器与信息池分类器在最新数据块上的性能表现,进行当前集成模型的基分类器与信息池分类器的动态替换。在标准数据集上的实验表明了 IL MLSC算法的有效性。