在当今大数据时代,数据高速无限产生,如何处理和存储海量数据成为一个巨大的挑战。数据源源不断地产生以及高速的特点,使得人类专家不能快速准确地给所有样本都打上标记。人工标记样本的代价十分昂贵且不切实际。因此,在真实的数据流环境中,往往只有少量标记样本和大量无标记样本,只使用标记样本训练得到的模型泛化能力低下,而且会浪费无标记样本的结构信息。同时,在数据流环境下,数据分布经常会发生变化,即在真实的数据流场景中往往伴随着概念漂移现象的发生。传统的机器学习算法都是基于静态的独立同分布的环境下,因此,并不能处理带有概念漂移的高速无限的数据流环境。在动态半监督数据流环境下存在两个主要的挑战:（1）根据半监督环境下数据流的特点,如何结合少量标记样本的标记信息和大量无标记样本的结构信息训练得到一个泛化能力强的组件分类器。（2）针对带有概念漂移的数据流半监督环境,无监督的概念检测、统计检测等方式存在一定局限性,如何设计合适的概念漂移检测机制准确检测概念漂移,及时调整组件分类器来适应概念分布的变化。综上考虑到动态数据流半监督分类问题带来的研究价值和挑战,本文的研究内容总结为以下两个方面:第一:本文提出了基于聚类的数据流半监督分类算法SCLNDT（Semi-supervised data stream classification algorithm of Clustering in the Leaf Node of Decision Tree）。本算法先利用标记样本建立决策树模型,将样本空间划分成多个区域,再在叶子节点所处的局部区域按照标记样本的类别分别进行聚类,接着利用无标记样本增量更新组件分类器各个叶子节点中的簇信息,簇中样本信息统一采用CF特征表示。构建的组件分类器泛化性能好,结构精简,保存了数据本身的内在结构和分布信息。本算法设计一个半监督学习算法扩充标记样本辅助进行概念检测。考虑到历史概念在未来一段时间可能重复出现,本算法涉及对重现概念的检测。大量实验结果证明本算法的有效性。SCLNDT算法的主要创新点在于提出半监督组件分类器的构建策略,为缓解仅用标记样本训练模型的欠拟合现象,算法使用无标记样本增量更新组件分类器中的簇信息。对于半监督环境下的概念检测,本文提出使用历史模型有效簇的知识结合标记样本设计半监督学习算法扩充标记样本辅助进行概念漂移检测。第二,基于半监督的数据流环境,本文提出了基于模型迁移的数据流半监督分类算法TLSCDT（Transfer Learning for Semi-supervised data stream Classification based on Decision Tree）。TLSCDT算法提出半监督学习算法扩充标记样本的数量,转半监督环境为监督环境进行模型训练。本文中半监督学习算法通过邻域阈值自适应算法计算出阈值,然后利用权重公式计算每个历史模型的权重,根据权重筛选历史模型和标记样本,找到无标记样本邻域范围内最近的标记样本,最终利用多数投票给出无标记样本的伪标记。对于集成池满的情况,本算法考虑保持集成池中的组件分类器之间的最大多样性对组件分类器进行剔除。对于历史模型的更新策略,本算法考虑使用到模型迁移技术。大量实验结果证明本算法的有效性。TLSCDT算法的主要创新在于提出邻域阈值自适应的半监督学习算法扩充标记样本数量,对于不同的数据集以及数据分布变化的数据流环境,本算法可以实时自适应获取邻域阈值,满足半监督数据流的实时性需求。