大数据时代,数据流在各个应用领域源源不断的产生,如网上购物交易记录、交通流量监测数据和卫星探测数据等。数据流实时到达、连续多变和海量无限等特性使得传统的数据挖掘方法难以保证良好的适用性,因此,如何针对数据流的特性对其进行有效的知识挖掘,已经成为数据挖掘领域的热点和难点之一。集成分类是一种有效的数据流分类方法,该类方法主要思想是建立多个基分类器,然后对基分类器进行集成,同时根据基分类器表现对其进行评价,剔除性能较差的基分类器,实现集成模型的更新,从而提高集成分类模型的性能。基于此,本文主要研究了针对数据流分类中的概念漂移问题和噪音问题的集成分类算法。研究成果如下:首先,介绍了数据流分类的背景和意义、相关工作以及基本理论,对数据流分类中的关键问题和关键技术进行了详尽的分析,对文中用到的集成学习思想进行了理论研究;其次,结合选择性集成思想,提出了一种基于边界最小化测度的数据流选择性集成分类算法,该算法采用边界最小化测度的选择性集成方法,选择准确性及差异性较高的分类器参与集成,实验结果表明,该算法对于概念漂移数据流具有较好的分类性能;最后,提出了一种基于朴素贝叶斯和无监督学习的数据流分类算法。该算法采用集成学习的思想,以朴素贝叶斯作为基分类器进行集成分类,使用谱聚类算法对数据进行聚类,通过对比分类和聚类的结果过滤噪音,同时采用假设检验μ方法检测漂移,动态更新集成分类模型,以适应概念变化。实验结果表明,该算法在时间花销和预测准确率上能够取得较好的效果。