分类技术是数据挖掘的重要组成部分,有着广泛的应用领域,并且已经有大量成熟的研究成果问世。然而数据流作为一种新型的数据模型,具有连续、单遍扫描、快速变化和海量无穷等特点,同时数据流中数据所隐含的知识或者概念会随着时间的变化而改变,即发生概念漂移,传统的数据挖掘分类算法难以及时有效地对其进行处理。如何实时、快速地对数据流进行分类,并且有效地发现和适应概念漂移,给数据挖掘研究领域带来了巨大的挑战,面向数据流环境的分类处理已经成为数据挖掘研究的热点问题之一。基于此,本文针对具有概念漂移的数据流分类问题展开了以下研究工作：首先熟悉数据挖掘领域的相关知识,了解数据流产生的背景及特点,之后研读并掌握已有数据流分类算法的核心思想。其次,针对概念漂移的数据流分类问题,设计了一种基于实例加权的数据流分类算法(EWBC).该算法引入boosting思想,根据各个基分类器的分类结果动态调整训练数据的权值,使得在发生概念漂移时,新建立的分类器能够更加快速准确地收敛于新概念；同时,在删除旧的不再适应新概念的基分类器时,联合考虑基分类器的分类准确率和基分类器之间的差异度。实验表明,与WEC算法相比,EWBC算法的分类准确性有显著提高。再次,针对概念重复出现并具有周期性概念漂移的数据流分类问题,提出了一种基于历史概念的数据流分类算法(HCBC)。算法保存所有已出现的概念及其对应的分类器,当历史概念重新出现时,首先根据历史概念的信息,选择性的挑取适应当前概念的基分类器组成集成分类器,从而提高了分类速度。如果分类没有达到准确率阈值,再训练新的分类器以更新集成分类器。最后通过大量实验证明了所提出算法的高效性。