现实中很多网络的规模是庞大的,使得在其上的科学研究开销大、效率低。网络图抽样是从原图中抽取一个规模较小的子图进行研究,能够节省资源、提高计算效率,对网络中的数据挖掘具有重要意义。采用蓄水池技术的动态流式图抽样技术,对流图中的每条边处理一次,大大节省了空间和时间开销。然而,现有的算法使得抽样子图中低度的节点占比过大,具有关键作用的高度节点的比例却过低,有时甚至无法被抽取到,导致抽样得到的子图代表性不足,影响进一步的研究应用。本文根据多数网络图数据本身服从幂律分布的特点,针对现有基线算法存在的不足,提出一种分类抽样算法。该算法使用分类思想,将流式图中节点按照度的大小分为不同类别,针对不同的类别设置不同的替换策略,被选中的节点需要满足相应的概率阈值才会被替换,以提高动态图中度高节点的比例及抽样子图的代表性。为了客观衡量所提模型性能,本研究在三个真实的网络上进行了实验。结果表明,与现有的三种经典动态网络抽样算法相比,我们的算法在聚类系数特性上取得了很大的提升,并且在度分布和K-core分布特性上与原图更接近、KS距离更小、不同的抽样比例效果更平稳。