目前很多实时系统以空前速度产生巨量的数据,这对数据挖掘方法研究一直是一种挑战。常见的数据流包括网络事务日志,电话接听记录,信用卡交易事务流,传感器记录数据流等。这些数据中潜在的知识或者机制需要我们从数据中挖掘出来。数据流庞大的体积是知识发现工具面临两大困难之一。数据流的分类已成为数据挖掘研究的热点之一,常用的处理数据流的分类算法分为两类,单分类器和集成分类器。其中,集成分类器聚集多个分类器,这些具有独立预测性能的分类器通过某种方法形成最终预测结果。虽然集成分类器具有高精度等优势,但构造过程中采用了非增量式算法构建,因而造成了时间性能较差,且耗费较高空间资源。针对这些问题,本文提出了一种集成分类器优化算法。本文的主要工作如下:(1)概述了数据流挖掘的理论基础、数据处理常用算法;介绍了数据流分类算法,详细描述了集成分类器技术,并对数据流的未来进行展望。(2)针对已有的weighted-bagging模型时空性能的不足,提出一种基于UFFT的weighted-bagging算法UFFT_wb。该算法基于weighted-bagging模型,以UFFT算法构建基分类器。实验表明,算法UFFT_wb具有确定分割点及选择分割属性花费时间少、构建新结点占用空间小、可以增量式构建等特点,与基于C4.5算法的weighted-bagging模型相比,在保持精度的基础上,时间性能有一定程度的改进。(3)基于上述研究,实现了数据流分类原型系统。