数据流分类旨在从大量快速生成的数据中获得有用的模型,其中训练数据和待分类数据并不是一次性获得,而是按照时间顺序数据流的形式连续地到达。与静态分类过程不同,将所有训练数据结合起来构造分类器在数据流分类任务中是不被允许的,一味的将数据累计并不是非常理智的做法（存储空间有限、计算能力有限）。因此在数据流分类中有一个非常重要的限制:仅可使用当前或有限阶段的训练数据来训练（调整）模型。目前对于人类活动识别中的数据流分类问题,常见的算法往往只考虑了采用增量学习解决数据流分类中的灾难性遗忘问题（指在学习新任务或适应新环境时,忘记或丧失了以前习得的一些能力）,而忽略了基于传感器的数据流往往具有任务异质性以及视图异质性。在本文中,我们将基于移动传感器的数据流分类问题形式化为多任务多视图问题,其中多个任务是指多个参与训练的个体,多个视图是指传感器位于个体的多个身体部位,在增量学习的基础上,我们充分利用多任务多视图学习的思想,提出了面向数据流的多任务多视图增量学习算法。具体来说,本文提出了两种有关的神经网络模型,分别是MTMVIS模型和AMTMVIS模型。针对数据流分类问题,MTMVIS模型具体实现如下:首先我们使用分层注意力机制对不同种类的传感器以及同一时间间隔内产生的不同测量值进行加权以实现数据对齐,加强具有判别力传感器数据的置信度。接下来,为研究更细粒度的任务视图交互相关性,我们用多门混合专家模型对任务视图关系进行建模,我们为每个任务视图构建一个门控网络,每个任务视图可以通过结合多个专家的输出获得特定的特征表示。此外,由于先前的多任务多视图学习模型简单地将所有视图输出的平均值表示为任务输出,忽略了不同视图对同一任务具有不同重要性,为此我们使用另一个注意力层为每个任务构造一个视图融合层,以衡量不同视图对同一任务的重要性。最后通过限制旧阶段的相关参数来克服灾难性遗忘问题。另外,在MTMVIS模型的基础上,AMTMVIS模型为每个任务提出了一个特殊的自适应输出层,其中模型中的每一层网络都被训练从注意力层获得一个定制的特征表示作为最终输出层的输入部分,在不同阶段对不同网络层赋予不同的权重,通过对每个任务自适应输出,有效的提高了模型的可扩展性。最后我们通过在两个不同的基准数据集上的实验证明了我们的算法的优越性。