随着计算机软硬件技术的飞速发展,人们在各个领域积累了海量的数据。这些数据是以数据流的形式进行积累的。由于数据流具有连续快速、短暂易逝以及不可预测等特点,因此数据流必须得到实时的处理,并且只能存储历史数据的摘要信息。传统的数据挖掘算法无法直接应用于数据流之上,基于数据流的挖掘算法成为当前的研究热点和难点。本文分析并总结了当前数据流挖掘算法的研究成果,并提出了基于带子窗口的滑动窗口的进化数据流通用处理模型,并在此模型上分别实现了分类算法、频繁模式挖掘算法以及聚类算法。首先,对当前基于数据流的分类算法进行了分析。在结合当前流行的CVFDT算法和集成分类器算法的优点后,设计并实现了一种具有更好适应性的SADT算法。算法分析流入的数据,并自行决定修改还是重建分类器,比较理想地解决了概念漂移的问题。最后,通过实验来验证了SADT算法的适应性。接着,对当前主流的数据流频繁模式挖掘算法进行了总结。针对经典的FP-Stream算法空间效率不高和时间粒度较粗的不足,设计并实现了挖掘并存储闭合频繁模式的算法DSCFPM算法。实验表明,该算法具有非常好的空间效率,具有较好的扩展性。然后,阐述了数据流聚类算法的研究现状。在CluStream算法提出的在线和离线处理模型的基础上进行修改,设计并实现了基于密度单元的DSWStream算法。该算法无需预先确定聚类的个数,可以发掘任意形状的聚类,并对离群点和噪声都有较好的处理能力。最后,通过实验证明DSWStream算法具有更高的聚类质量和效率。总而言之,本文在带子窗口的滑动窗口处理模型上实现了数据流分类、频繁模式挖掘以及聚类的算法。与现有的挖掘算法相比,本文提出的算法综合考虑了存储空间的开销、挖掘处理的速度以及结果的准确性等方面,具有更好的适应性及可扩展性。