近年来,流特征的在线特征选择成为数据挖掘的热点。流特征在线特征选择是在保证预测精度的前提下,通过实时过滤无关和冗余特征来降低数据维度。本文针对当前面向分类的在线流特征选择中,存在分类精度较低、选择特征数量多或运行时间长等问题,从挖掘目标标签的近似马尔科夫毯的角度,分别提出面向二分类和多分类的流特征在线特征选择算法,并将在不同数据集中得出的算法结果应用在Decision Tree、KNN、SVM和Ensemble分类器上,分析算法的性能,验证算法的有效性。同时,在真实应用场景下,验证算法的适用性。首先,针对已有算法在二分类在线流特征选择中的局限性,如分类精度较低、选择特征数量多、在具有大量低冗余和高相关特征下运行时间长等问题,提出面向分类的在线流特征选择的技术框架和算法OSFIC。按照新到达特征阶段和分析候选特征集合两个阶段的流程,分别给出无条件下独立性检验过滤不相关新特征、单条件下互信息过滤冗余新特征、单条件下互信息过滤候选特征集合中部分冗余特征和多条件下独立性检验过滤候选特征集中的剩余冗余特征的各个阶段任务。并将OSFIC算法与Alpha-investing、OSFS和SAOLA算法在14个数据集上选择的特征应用到选定分类器,从分类精度、选择特征数量和运行时间等方面对比实验结果,验证算法的有效性。其次,针对流特征下多分类中存在类别分布不平衡导致分类精度低等问题,提出一种面向多分类的流特征在线特征选择算法MCFS。该算法基于“一对多”策略,通过将“一个多分类”问题转换为“多个二分类”问题。MCFS算法将目标标签的类别数进行统计,依次将每一类作为正例,其余类别作为反例,多次运用OSFIC算法进行特征选择,最终结果为每次选择特征的去重并集。将MCFS、Fast-OSFS和SAOLA算法运用在12个多分类数据集上,并将算法结果通过选定分类器中进行分类。最后,将OSFIC和MCFS算分别应用于真实的蛋白质谱和基因表达场景下,在选定的不同分类器上,通过比较在流特征产生的不同阶段时分类精度所发生的变化,验证算法的适用性。