相对于静态空间下的特征选择算法,有关动态特征空间下的特征选择研究并没有引起足够的关注。数据特征空间的动态性是指在算法开始前,问题的特征空间不是或不能提前获得,而是随时间动态变化。因而,数据特征空间的动态性对传统静态特征空间下的在线知识发现算法提出诸多新问题和新挑战。本文主要针对在线流特征选择和动态空间下特征选择算法的应用进行分析和研究。针对既包含历史数据又有流特征数据的全新场景下的在线特征选择问题,本文提出了一种基于特征聚类集成技术的在线特征选择算法。在对历史数据的组特征选择阶段,为了弥补单一聚类算法的不足,引入聚类集成的思想。先利用k-means方法通过多次聚类得到一个聚类集体,在集成阶段再利用层次聚类算法对聚类集体进行集成得到最终的结果。在对流特征数据的在线特征选择阶段,对组构造产生的特征组通过探讨特征间的相关性来更新特征组,最终通过组变换获得特征子集。实验表明,所提算法能有效应对全新场景下的在线特征选择问题,并且有很好的分类性能。此外,本文还介绍了一种针对梯形流数据的在线学习方法,并将该算法和所提算法应用到社交媒体数据的特征选择上。应用结果表明:这两种算法能有效解决社交媒体中不同情形下的在线学习和在线特征选择问题。