数据流分析旨在从连续的样本中提取用于分类的判别信息。以有效和稳定的方式逐步更新模型的同时检测新来样本是一件极具挑战性的任务,尤其是对于高维度和大规模数据流。因此需要以增量的形式将数据流中的数据加入到训练模型中,而不是将所有的数据重新以批量的形式进行训练。本文对此提出了算法,用于异常检测和无标签块数据流的增量学习。本文依据线性判别分析的基本原理,通过求解核空间中的线性系统,提出了一种快速的无因式分解的核判别分析算法(FKDA-X)。FKDA-X构造了再生核希尔伯特的空间,其中未标记的块数据可以实现在具有确定性分类边界的单个决策模型中,由多个已知类对其完成检测和分类。这种方法解决了现有其他方法由于矩阵计算量大带来的巨大的时间复杂度和空间复杂度问题。此外,基于FKDA-X,本文提出了改进算法FKDA-CX。FKDA-CX通过用原始数据的子聚类中心作为输入,在异常检测中表现出良好的性能。并且,从理论分析和实验验证方面都能表明,本文所提出的算法使得学习未标记的块数据流成为可能,并且和现有其它方法相比,不论是准确度还是时间复杂度都有较大的优势。