近年来随着大数据和云计算的迅速发展,在互联网等方面源源不断地产生大量的数据流。学者们为了获取并分析这些领域的数据流中隐含的大量的有用信息,为此对数据流挖掘领域展开了深入研究。然而,静态数据与数据流并不完全相同,数据流的特点是快速性、连续性、多变性、无限性等。特点的不同决定了数据流挖掘算法并不能完全沿用传统的数据挖掘算法。不仅如此,数据流中会产生概念漂移现象即数据的分布会随着时间的变化而随之变化,这一现象无形中对数据流挖掘也造成了巨大的难度。与静态数据相同的是,数据流中也存在类不均衡现象,这些都是流挖掘过程中不得不面对和迫切需要解决的重点和难点问题。因此,本文主要围绕以上问题,对数据流中的概念漂移现象和类不均衡问题展开深入研究,其主要的工作内容包括:针对数据流中概念漂移问题,本章介绍了基于数据分布的概念漂移检测算法,主要分为概念漂移检测模块和概念重现检测模块。该算法不仅能处理数据流中的概念漂移现象,还可以检测到重现概念问题。首先利用概念漂移检测算法检测出数据流中的概念漂移问题,然后在概念重现模块中解决重现漂移的问题。最后在数据流机器学习实验分析平台MOA上对该算法进行大量验证与分析。结果表明该算法具有低误报、低漏报和低检测时延,不仅有效地提高了分类的性能指标,还发现了概念漂移现象中的重现概念问题。针对存在类不均衡问题的数据流中概念漂移的分类问题,本章提出一种基于集成学习的不均衡数据流分类算法。该算法首先处理数据流中类不均衡问题,先采用上采样技术,再采用下采样技术,增加正样本,减少负样本,减少过拟合,均衡数据流。其次采用集成方式周期更新分类器权值应对概念漂移。动态更新分类器权值时,不仅考虑了分类器对当前数据块的分类正确率,还引入了分类器对当前数据块的错误分类的代价。在分类器的淘汰策略中,计算分类器在集成分类器中的贡献值,根据贡献值替换分类器。最后在数据流机器学习实验分析平台MOA上对本文算法进行大量验证与分析,结果表明该算法具有较高的分类正确率。