随着因特网技术的飞速发展,每天能获取数以万计甚至更多的数据,这些数据以流的形式快速、连续地到达,比如各类监控系统,网络入侵检测,信用卡欺诈检测等产生的数据。如何从这些规模宏大、动态变化、实时涌现的数据流中提取出有效的信息已成为当前数据挖掘领域研究的热门问题。数据流分类是数据流挖掘领域研究的重要内容之一,传统的数据分类算法对其不再适用,需要提出新颖的算法处理具有动态变化的数据流。对分类数据流的大多数研究均假设数据是相对平衡和稳定的,然而,事实并非如此。针对数据流的不均衡性与概念漂移的特点,本文提出了两种数据流分类模型,具体内容如下:(1)针对数据流规模巨大、实时性的特点,提出了基于神经网络的不均衡数据流集成分类算法。该集成模型包含三个部分:平衡训练数据流样本、构建集成分类器池、用新到达的数据流样本增量更新分类算法。用改进的降采样方法平衡数据流,BP神经网络作为基分类器。本文选择了三个标准方法进行实验对比,从UCI机器学习库中选取十个数据集进行评估,实验结果表明本文提出的算法能有效地处理具有非稳定和不均衡特征的数据流分类问题。(2)针对数据流动态变化、非稳定的特点,提出了一个基于双加权在线极限学习机的不均衡数据流分类模型。该模型以在线极限学习机作为基分类器,从时间和空间角度分析样本的分布特点,提出了一个自适应双加权机制来调整样本在时间层面和空间层面的权重。分别采用概率密度函数计算在时间层面的权值以及增量式的概率神经网络计算在空间层面的权值,利用双权值平衡当前数据的类分布,更新整个模型。实验结果表明提出的算法具有较高的G-mean和F-measure,且表现出了良好的健壮性。