特征选择在大数据问题中起着重要的作用,但是,随着数据量和维数的增加,传统的特征选择方法在效率上已经不能满足需求。因此,能够处理动态流特征的在线流特征选择算法受到了广泛的关注。现有的在线流特征选择算法通常选择一个最优的全局特征子集,并假设该子集适用于样本空间的所有区域。但是,样本空间的每个区域都有自己独有的特征子集来准确地描述,这些特征子集的特征和大小可能都有所不同。本文研究的课题是流特征场景下特征选择算法,目的是提高流特征选择算法适应样本空间变化的能力,有助于提高分类性能。本文首先提出了一种局部在线流特征选择算法,该算法引入了局部特征选择的思想,并根据利用局部信息方式的不同,提出了两种新的基于最大决策边界的评价指标:基于加权距离的指标和基于局部密度的指标。在充分利用局部信息的基础上,设计了基于最大决策边界的特征衡量标准,尽可能将同类和不同类样本分开;同时,使用最大化平均决策边界、最大化决策边界和最小化冗余三种策略来选择合适的特征。最后,给局部区域选择最优的特征子集后,使用类相似度测量方法进行分类。另外,本文又提出了一种基于最小不一致性的局部在线流特征选择算法。该算法利用推土机距离作为评价函数来评估样本间的不一致程度。首先根据最近和最远样本,计算平均距离,并作为选择近邻集合的标准。然后,根据不一致性,将近邻中的样本按照类别划分为两个不同的集合。之后,通过考虑近邻样本的标签信息,设计了基于最小不一致性的评价指标,该指标可以计算出这两个集合之间的不一致性程度。最后,将不一致性指标与局部特征选择结合,并应用到流特征选择中,使得每个样本近邻的不一致性尽可能低。为了验证所提算法的有效性,本文将提出的两种算法应用到14个真实世界数据集,并与多个具有代表性的流特征选择算法作比较,在多个分类指标下进行了系统的分析。在14个数据集上的实验结果和统计假设检验,证明了所提算法可以很好地利用局部区域信息选择适合的特征集。在分类有效性和稳定性指标上,得到较好的实验结果。