分类问题作为数据挖掘领域一个经典而重要的课题,一直受到学术界的关注。然而,随着物联网的推广以及“大数据”时代的到来,传统数据分类方法正面临新的挑战,首当其冲的就是数据形式的变化,从传统的静态数据向动态的数据流形式转变。与静态数据相比,动态数据流具有三个特点,即海量性、实时性和动态变化性,这些特点大大增加了数据流分类的难度。因此如何设计一种数据流分类模型,不仅能够满足数据流特点,而且能够对数据流进行有效分类,成为当前学术界研究的热点问题。本文主要从数据流的三种特点(海量性、实时性和动态变化性)入手,对数据流分类问题展开研究。针对数据流特点,本文提出了三种数据流分类模型：(1)针对数据流海量性特点,设计了基于集成学习思想的数据流分类模型,利用多分类模型对海量数据进行分类；(2)针对数据流实时性特点,设计了基于增量式学习的数据流实时分类模型,通过控制训练集大小,从而加速模型更新速度,满足实时性分类的要求；(3)针对数据流动态变化性问题,提出了一种基于概念漂移检测的数据流分类模型,将概念漂移检测机制与分类模型相结合,提高分类模型的抗概念漂移能力。论文主要完成的具体工作如下：(1)针对数据流海量性特点所造成的数据内部复杂,且传统单模型分类模型对于复杂数据环境学习的不充分问题,提出了一种基于集成学习思想的数据流分类模型。该模型以支持向量机(Support vector machine, SVM)模型为基础,通过结合不同核函数构建集成学习模型。然后,使用自组织映射(Self-organizing map, SOM)算法对个体分类器给出的分类结果进行汇总,最终得到分类结果。最终通过实验验证所提出基于集成学习的数据流分类模型的有效性。(2)针对数据流实时性特点,受到集成学习思想的启发,设计了一种基于轮转式结构的增量式数据流分类模型。该模型将多个SVM模型嵌入到轮转式框架中,且SVM模型使用增量式学习方法进行更新,通过对训练集样本数量进行控制,只对未被学习过的数据进行学习,而对已学习过的数据则不会重复学习,从而减少训练集中样本数量,加速分类模型更新速度,满足数据流实时性分类的要求。(3)针对数据流动态变化性特点(概念漂移),提出了一种基于概念漂移检测的数据流分类模型,对数据流分类模型无法适应概念漂移现象的问题进行解决。该模型在分类之前,使用信息熵对数据块是否发生概念漂移进行判断,对已出现过的历史概念,使用一种分类器池机制对其进行保存,使得分类模型具有更强的抗概念漂移的能力。在此基础上,设计一种概念漂移可视化方法,对数据流中的概念以及不同概念之间的关系进行展示,力求从概念层面对数据流概念漂移现象进行理解和分析。本文的主要成果在于对数据流三个特点,即海量性、实时性和动态变化性,进行深入研究,探索了集成学习分类结果汇总、增量式学习机制和概念漂移检测等问题。提出了一种SVM-SOM的集成数据流分类模型,利用多SVM模型对数据流进行分类,并使用SOM模型对类别结果进行汇总；提出了基于轮转式框架的数据流增量式分类模型,通过使用增量式学习方法对模型更新,有效减少模型更新所消耗时间,提高实时分类效率；提出了基于概念漂移检测的数据流分类模型,将概念漂移检测方法融入分类模型中,提高分类模型抗概念漂移的能力。这些研究有效地提高了数据流分类效果和性能,对今后涉及数据流分类的相关问题提供了有益的借鉴。