特征选择作为重要的数据预处理手段,有效地改善了模型的训练时间与学习精度。然而随着大数据时代数据产生与收集速度的急剧提升,传统特征选择算法面临着严峻挑战:（1）特征空间存在高维性的同时,通常伴随着未知性与演化性;（2）标记类别之间往往不是相互独立的,通常存在复杂的层次结构关系。这导致传统的特征选择算法表现不佳,甚至无法应对现实的应用环境。为此本文针对流特征下,充分挖掘和利用类别的层次结构进行特征选择的问题,进行流特征下的在线分层特征选择方法的研究。具体而言,主要研究内容如下:（1）流特征下基于邻域粗糙集的在线分层特征选择。针对传统流特征选择算法忽略了类别间层次结构关系问题,利用类别层次结构中节点之间存在的兄弟策略定义了一种面向层次化结构数据的邻域粗糙集模型。其次,基于邻域依赖度定义了特征在线重要性选择和在线冗余更新等策略,构建了一种在线流分层特征选择框架,并设计了相应的在线流分层特征选择算法。实验结果验证了算法的有效性。（2）流特征下基于核模糊粗糙集的在线分层特征选择。针对传统流特征选择算法忽略了类别间层次结构关系问题,且为了高效地度量样本数据间的模糊关系的同时,进一步优化在线运算的时间性能,基于类别层次结构中节点之间存在的兄弟策略定义了一种面向层次化结构数据的核模糊粗糙集模型。其次,基于（1）中的流特征选择框架,利用核模糊依赖度重新定义在线重要性选择和在线冗余更新阶段特征筛选策略,构建一种新的在线流分层特征选择算法。实验结果表明算法的性能有更进一步的提升。