随着互联网的快速发展,随之出现了大量的微博、商品评论信息,这些信息往往带有一定的感情色彩,反应了人们对社会、经济等事件的关注；对这些信息进行分析挖掘对消费者、生产者及政府部门显得日益重要。然而这些数据具有数据量大、产生速度快、数据分布差异性大及标签信息大量缺失等特点,给当前的数据挖掘工作带来了巨大的挑战。本文针对在线环境下数据分布差异性大及标签信息大量缺失等问题展开研究并探讨其对于数据量大及产生速快的在线环境的适应性,主要工作如下：(1)首先对跨领域情感分类及数据流挖掘进行了总体的概述,主要包括其发展背景及意义、相关理论、研究现状及在线环境下面临的挑战。(2)针对数据标签信息大量缺失及分布差异性大等问题,提出了一种基于词向量特征聚类的跨领域情感分类方法(PTWE)。该方法利用词向量对数据进行向量化,基于词向量在两个领域的相似性来区分共享特征集与专有特征集并形成特征簇,最后利用共有特征簇进行极性传递。实验表明了方法的有效性。(3)针对在线环境下,已有的数据流分类方法对标签大量缺失及概念漂移适应性较差等问题,提出一种在线跨领域自适应分类方法(SAOC),该方法以一个标记数据块作为起始数据块,提取数据块间的共有特征集,基于特征的相似度进行概念漂移检测,并利用共有特征作为桥梁来进行极性传递。实验表明算法在分类精度上的优越性,尤其在标记信息较少和概念漂移较为频繁时。