随着网络通信、计算机科学与信息技术的发展,数据流作为一种新的数据形式在金融数据分析、网络监控、电信数据处理与传感器网络等领域有着广泛的应用。相对于静态数据,数据流不仅具有连续性、快速性和无限性的特点,而且随着时间的推移其中蕴含的概念会发生变化,即概念漂移,这给传统算法和应用系统都带来了巨大的挑战。虽然目前数据流上的研究已取得一定的成果,但是在概念漂移的处理和噪音数据问题上仍存在着明显的不足。本文主要针对数据流上的分类问题做了以下工作:(1)概述了数据流的基本概念及研究背景,分析了数据流处理的常用方法和模型特点,并详细描述了噪音数据流上的概念漂移问题与研究进展。(2)针对已有方法在处理数据流概念漂移时受噪音干扰正确率较低的问题,提出了基于混合集成框架的数据流分类算法CDSMM。该算法采用假设检验中的μ检验方法检测概念漂移,基于Na?ve Bayes分类器过滤噪音,在检测到概念漂移时及时更新模型以适应变化。实验表明,与weighted-bagging等基于单一分类器的集成方法相比,该算法的分类精度具有显著优势,且具有较强的抗噪性。(3)针对现有数据流分类模型在噪音环境中对概念漂移不敏感的问题,提出了基于聚类簇密度的集成分类算法CDDMI。该算法采用集成分类模型,在分类任务中引入聚类技术,通过监测误分类事例簇内密度的变化判断概念漂移。实验表明,该算法在噪音环境中能够及时检测到概念漂移,且具有较好的分类精度。