动态数据流在大数据背景下越来越常见,数据挖掘技术也在蓬勃发展,其中多标签数据流分类任务吸引着越来越多研究者的注意。在传感器、社交网络等领域产生着快速且连续的海量多标签数据,这种数据流场景带来了实时性、非全量存储、样本一次通过,以及概念漂移等新挑战。本课题立足于多标签动态数据流场景,设计了新的算法来解决面临的挑战。少有研究利用级联策略构建增量式模型来解决在线多标签数据流分类问题。本课题利用深度森林结构能逐层做表征学习,且级联策略灵活可控,不依赖反向传播的特点,基于霍夫丁树、快速决策树、蒙德里安森林和自适应随机森林,提出了基于级联策略的增量式分层框架MARDF,并在此基础上提出了基于快速决策树的增量式深度森林算法VDSDF。二者用类似的分层结构保留表征学习能力,且都做增量学习,MARDF框架和VDSDF算法都能持续接收高速到达的样本并实时预测。在分层结构中,二者均考虑了控制模型复杂度并缓解模型过拟合问题。VDSDF用本文设计的增量式快速决策树森林作为基础单元,用了不同于MARDF框架的增量学习方式,可适应不稳定数据流场景。VDSDF算法是基于MARDF架构做的改进,因此本文对VDSDF算法做详细的实验论证。本文提出的VDSDF算法适用于稳定的多标签数据流场景和不稳定的动态数据流场景,实验结果表明,VDSDF在一定程度上解决了在线多标签数据流挖掘带来的挑战。作为一种增量学习算法,VDSDF在多个评估指标上比批量学习算法更有竞争力,与最新的增量学习算法相比,模型精度上也有优势。此外,在不稳定的数据流中,VDSDF对概念漂移的适应性优于对比算法。在真实场景的应用中,面对静态多标签影评数据和不稳定的动态数据源上,VDSDF的标签预测精度同样优于对比算法。