传统的大多数机器学习算法在静态封闭环境下运行,且通常假定数据的分布在算法执行时保持不变。但是在众多实际应用环境中,大量数据以高速无限流的形式产生,这些数据的分布受设备损耗、环境变化等因素的影响而不断地发生变化从而产生概念漂移现象,数据的这种产生和变化方式给传统的静态数据挖掘提出了极大的挑战。数据流挖掘在此背景下应运而生,且数据流分类在大规模实时数据处理中起着至关重要的作用。受到标注成本高、数据量大以及数据产生速度快等因素的影响,标注所有数据是昂贵的、不切实际的。半监督环境下的数据流分类研究如何利用一部分带标记的样本和大量无标记样本来检测数据分布的变化、训练和更新模型?因此,数据流的半监督分类更加符合实际应用场景,具有众多的实际应用价值。与此同时,半监督环境也给数据流分类带来了新的挑战:1)在少量有标记样本上训练得到的模型的泛化能力比较差,如何利用大量无标记样本的内在结构和分布来辅助模型训练和更新;2)基于准确率的概念漂移检测方法并不能很好地适应半监督环境,如何同时利用有标记和无标记的样本检测数据分布的变化,并通过模型更新来适应动态的数据流环境。考虑到数据流半监督分类研究的实际应用价值和少量样本有标记带来的新挑战,本文从两个方面展开研究:（1）现有的数据流分类研究主要关注有监督学习问题,针对数据流的半监督分类研究尚未引起足够的重视。因此,本文在全面收集数据流半监督分类算法的工作基础上,从多个角度对现有数据流半监督分类算法进行划分,并以算法采用的分类器类型为线索,对已有的40多个算法进行了介绍与总结;归纳了现有数据流半监督分类算法中采用的概念漂移检测方法;在一些被广泛使用的真实数据集和人工合成数据集上,对部分数据流半监督分类算法实施了多方面的实验与分析;最后,本文提出了当前数据流半监督分类研究中一些值得进一步深入探讨的问题。（2）考虑到聚类算法能够捕获数据的内在结构和分布,许多研究工作已经将聚类应用于数据流半监督分类领域。然而,现有的算法在概念漂移检测中没有考虑到样本的局部结构信息,无法准确地检测到新概念和重现概念;基于聚簇的分类器不能被相同概念下的数据块增量更新来提高自身泛化能力。因此,本文提出了基于BIRCH集成和局部结构映射的数据流半监督分类算法SCBELS。半监督的贝叶斯方法和迁移学习中的局部结构映射策略被结合来计算每个样本和各分类器之间的局部相似性从而实现概念漂移检测;当算法检测到重现概念时,相应的BIRCH集成分类器被增量更新以提高模型的泛化能力。大量对比实验从多方面验证了SCBELS算法的优势。