数据流分类在网络监控、传感器网络等实际领域有着广泛地应用。然而，实际数据流中存在类标签大量缺失、概念漂移和类分布不平衡的问题，这些问题严重加剧了数据流分类问题求解的难度。本文针对类标签大量缺失数据流中的概念漂移和类分布不平衡问题开展分类方法研究，因而选题具有重要的理论和应用价值。论文主要工作如下:　　(1)概述了数据流、概念漂移和倾斜数据流的相关定义、存在挑战、处理方法以及评价标准等。　　(2)针对已有的不完全标记数据流分类方法多采用集成模型自适应概念漂移环境而忽略了概念漂移检测等问题，提出基于概念漂移检测和模型选择的集成分类方法，该方法采用基于分类器与聚类簇模型的混合集成模型，其次，为了适应概念漂移环境，采用一种基于概念分布差异度的概念漂移检测方法;同时，为了适应无限数据流环境，先对集成模型中的基模型采用基于时间戳加权机制，同时考虑加权因子和概念分布差异度选择基模型以进行模型更新。实验结果表明该方法可以快速的检测出概念漂移并提升分类精度。　　(3)针对不完全标记数据流的类分布不平衡问题，提出一种基于距离和采样机制的数据流分类方法。该方法首先计算无标签数据与有标签正负类数据块的中心点距离来标记正负类示例，其次通过正类样本的上采样和负类样本的下采样机制重组数据流块以平衡数据块的类分布，并在其上构建基于分类器与聚类簇模型的混合集成分类模型。实验结果表明:与经典的同类算法相比，所提方法可以有效的提高不完全标记数据流的分类精度。