在现实生活的很多应用中,数据流这种新型的数据随处可见,例如：网络事务日志、电话呼叫记录、信用卡交易以及传感与监控系统等。相对于传统的静态数据,数据流具有无限性、连续性、快速性和概念漂移等特性,这些特性使得传统分类技术无法直接有效地应用于数据流挖掘。因此,设计单遍扫描、实时、动态更新的分类算法是非常必要的。集成分类器具有易于更新结构、较高的分类准确率和能够快速适应概念漂移等特点,使其成为数据流分类研究的主要方向之一。同时,目前的集成方法也存在没有考虑基分类器间相异度和独立性等问题。基于此,本文针对集成分类模型,展开数据流上的分类算法研究。首先,在介绍数据流分类的基本概念、相关工作及研究背景和意义的基础上,分析集成分类框架的常用方法和模型优势,并详细描述了处理概念漂移的方法和当前国内外研究现状。其次,详细阐述经典集成分类器Accuracy Weighted Ensemble(AWE),并在其基础上提出CVFDT Update Ensemble(CUE)算法。CUE在基分类器的权值分配、算法对数据块的大小敏感性问题和增加基分类器间相异度等方面进行改进。实验表明,该算法的分类准确率高于AWE算法。最后,根据分类器动态选择思想,提出一种基于聚类的分类器动态选择算法Dynamic Classifier Selection with Clustering(DCSC)。其基本思想是：对于待分类的实例采用某种度量,选择与其相近度最高的基分类器进行分类。该算法因为没有繁琐的赋权值机制及每次只选择一个分类器分类,因此具有良好的时间效率。实验验证了DCSC算法的有效性和高效性,并能有效地处理概念漂移。