信息的爆炸性增长导致数据流广泛出现在各个应用领域中,如无线传感器网络数据流、股票交易数据流、电子商务数据流等,如何高效获取这些数据中蕴含的信息成为数据流挖掘的主要任务。区别于一般的静态数据,数据流通常具有到达速度快、规模大、动态变化等特征,并且数据流中的目标概念随时间推移会发生改变,导致概念漂移发生,严重影响数据流挖掘效果。此外,数据流中通常存在类别不平衡问题,导致少类实例中蕴含的信息难以获取。因此,如何有效处理数据流中的概念漂移和类别不平衡问题成为数据流挖掘领域的热门研究方向。针对概念漂移和类别不平衡导致数据流分类模型性能显著下降的问题,本文提出了三种新的数据流分类算法,并通过对比实验证明了所提算法的性能,主要工作如下:（1）针对目前概念漂移数据流分类算法主要存在的两个问题:一是漂移检测延迟和误报率较高,且难以同时处理不同类型的漂移;二是缺乏识别重复概念的能力。为此,本文提出了一种基于主动检测机制且能够适应多种类型概念漂移的数据流分类算法。该算法使用双层窗口保存当前最新的分类结果,根据隶属度函数对窗口中数据分配权重并计算加权错误率,然后利用Mc Diarmid界判断当前窗口内错误率是否发生显著性变化进而检测概念漂移。检测到漂移后,使用半参数对数似然算法检验当前概念是否为过去概念的重现,进而决定是否复用旧分类器。实验结果表明,与以往同类算法相比,所提算法在漂移检测延迟、误报率、分类准确率和运行时间等指标上均有一定优势。（2）针对二分类数据流中概念漂移和类别不平衡的联合问题,本文在基于数据块的集成分类算法上引入成员分类器及其权重的在线更新机制,结合重采样和自适应滑动窗口技术,提出了一种基于G-mean加权的在线不平衡数据流分类算法。该算法基于集成学习框架,每到达一个新实例,在线更新所有成员分类器及其权重,并对少类实例进行随机过采样。每个成员分类器根据最近若干实例上的G-mean性能确定权重,其中Gmean基于时间衰减因子增量计算。同时,该算法会周期性地根据当前窗口中数据构造类别平衡数据集训练一个新的候选分类器,并选择性地添加至集成中。真实和人工数据集上的实验结果表明,所提算法的综合性能优于其他同类算法。（3）针对目前大多数不平衡概念漂移数据流分类算法只考虑二元分类而忽略多个类别的问题,本文提出了一种基于混合采样机制的动态加权数据流分类算法。该算法基于集成学习框架,增量计算每个类别实例的数量。每到达一个新实例,在线更新每个成员分类器及其权重,成员分类器的权重根据它们在最近实例上的MGmean性能确定,每个实例的学习频率由当前数据流中所有类别数量的最大值和该实例所属类别数量的比值决定。此外,该算法会周期性地利用混合采样构造多个不同的数据集,并在此基础上训练多个具有差异性的候选分类器以提高集成模型的泛化能力。实验结果表明,所提算法的综合性能超过了其他同类算法。