现代科技背景下,各种信息系统生成的数据量快速增长,产生的速率也越来越快,生成大量流式数据,如何快速处理这些海量数据成为当前的研究热点。数据流属于新的数据形式,具备动态性、快速变化性、无限性等特点,传统数据处理技术无法对数据流中的数据进行快速精确计算。本文在数据流背景下,结合数据挖掘技术,研究面向数据流的海量数据近似查询算法。融合流处理和批处理特性,利用改进的滑动窗口来提供流式近似查询能力,利用改进的分层抽样算法对数据流产生的海量历史数据进行分层抽样,最大限度避免偏倚值对查询结果的影响。本文的主要研究工作如下所述:(一)面向多维属性数据集,利用因子分析法进行属性归类,降低需分层的维度,提出一种聚类优化的HC-UPGMD算法,提高聚类效果,将聚类结果作为分层依据,为后续近似查询模型中历史数据分层抽样服务。(二)提出一种基于衰减滑动窗口权值分配的分层抽样(SS-ASWWA)算法,将滑动窗口划分成若干个基本窗口,利用衰减函数设定基本窗口权重,依据基本窗口权重和数据元素个数设定相应抽样比。(三)在前述算法基础上,提出一种面向海量数据实时分析的近似查询模型,详细介绍了各个模块的功能以及对应算法的实现细节。针对上述的算法和模型,本文在对应章节进行了实验验证,实验表明这些算法和模型是切实有效的,并且可以广泛地应用于智慧城市及军用大规模数据流实时分析领域。