大数据时代,每天产生海量数据。这些数据时序到达,且伴有新的特征和缺失特征,随之带来特征空间的动态变化,属于典型的不完备数据流。当前,从动态生成、实时到达的数据流中获得有用信息、构建预测模型是数据挖掘领域的难点和热点问题。在线学习作为处理流数据的有效方式,可以实时处理数据实例,动态优化目标函数、更新预测模型,使模型适应数据变化。然而,现有方法要么只能处理固定特征空间或以特定模式变化的数据流、要么忽略了数据分布的动态变化以至于无法有效地解决空间不完备和类分布不平衡,且通过补全缺失特征或训练多个分类器的方式导致巨大的计算开销。基于以上问题,本研究的主要内容如下。首先,针对现有方法无法有效地处理不完备数据流,训练成本高等问题,提出了面向不完备和不平衡数据流的在线学习算法OLIDS（Online Learning for Incomplete and Imbalanced Data Streams）。OLIDS算法通过特征空间投影识别不同特征并提取特征携带的信息,然后利用特征空间的置信度对分类器进行重新加权以适应动态变化的特征空间同时避免特征重构,采用被动更新规则实时更新分类器,最后基于通用特征空间的相对不确定向量稀疏截断分类器以进一步提高模型的泛化性能。其次,针对不完备数据的在线学习算法忽略类分布不平衡导致模型泛化能力差的问题,通过使用代理函数最小化的方式对F-measure进行在线优化,并建立动态代价机制以提高模型在不平衡数据上的性能。此外,分析算法在线性可分和线性不可分情况下的累积损失上界,并推导算法在任意类别上的误分类边界。再次,通过实验验证并分析算法性能。利用14个不同领域的代表性数据集构建梯形数据流、特征演化流以及不完备和不平衡数据流场景,以对OLIDS算法与最先进的相关算法进行实验对比,并将F-measure、G-mean和运行时间作为评价指标以分析OLIDS及其对比算法在三种不同场景下的性能。最后,将OLIDS及其对比算法应用在真实的电影评论情感文本分类场景下,并分析实验结果,验证算法的实用性和有效性。