近年来随着信息技术在商业、医疗等领域的应用,产生了大量具有动态变化的数据流。这些数据流为知识的挖掘创造了一个巨大的机遇。由于数据流样本具有动态变化、实时性、高速性等特点,同时一个应用程序只能读取一次,这将会引发数据流样本的类不平衡问题与概念漂移问题,这会影响在线学习过程的效果。目前提出的方法多是采用传统采样技术来平衡数据样本,这不能很好地适应数据流样本动态变化的特性,同时也会影响分类器精度,降低分类器的效率。本文针对不平衡数据流分类方法存在的小类样本识别率欠佳的问题,提出了两种面向带有概念漂移的不平衡数据流的动态集成分类算法。本文的主要工作如下:针对目前解决不平衡数据流分类问题中存在的小类样本识别率低和采样算法有可能产生噪声样本点的问题,提出了一种基于动态权重的不平衡数据流集成分类算法(DWES)。在处理带有概念漂移的不平衡数据流样本时,选取保存的之前使用过的小类样本到本数据样本块中来使样本块达到平衡状态。采用集成方式并动态调整分类器权重以适应概念漂移的数据流样本。实验最终结果表明DWES算法整体性能优于其他算法,该算法不仅提升了对小类样本的识别度,而且能快速的适应数据流样本新的概念漂移问题,保持分类器的稳定性。为了进一步改善DWES算法在处理不平衡数据流分类问题中存在的采样方法效率不高以及小类样本识别率较低的问题,提出了一种基于熵的动态集成分类算法(EDAC)来处理带有类不平衡问题和概念漂移问题的数据流。为了解决类不平衡问题中存在的对样本识别精度不高的问题,EDAC采用了基于熵的样本平衡策略。根据信息熵的差异,将数据块样本划分为多个平衡样本对。为了提高对小类样本的分类精度,提出了基于密度的采样方法。最后,为了改善分类器的权值制定方法,提高分类器的性能,EDAC采用自反馈策略确定分类器的初始权重,并根据子分类器对到达数据块的分类性能来修改子分类器的权重。实验结果表明,与现有方法相比EDAC算法可以更好的适应概念漂移的变化,能更好的提升分类器的精度。为了让用户更好了理解文中提出的算法跟进行相应的对比试验,我们设计并实现了面向不平衡数据流的集成分类算法研究展示系统,该系统基于Java语言使用Swing包与WEKA包,并调用matlab编写的算法代码组成,能够完成数据流、算法导入,算法调用,生成折线图与最终结果文件等功能。