随着互联网的不断发展,微博、电商、新闻媒体等主流应用中涌现了大量的文本数据流且其中的概念漂移也出现了新的特点:如快速,频繁、多样。而传统的概念漂移检测方法多基于分类错误率的变化,基于概念漂移导致的分类错误率上升的现象进行概念漂移检测难以适用文本数据流中的概念漂移。为此,本文面向文本数据流,针对其中的概念漂移检测工作开展研究,主要内容如下:(1)介绍了概念漂移的定义、分类,并按照数据流自身的分布特点,从监督、无监督或半监督两个种类分别介绍了传统的概念漂移分类检测方法。(2)针对传统概念漂移检测方法难以适用于复杂多变的文本数据流的问题,从概念漂移的诱因进行了分析和归纳,提出一种基于诱因的概念漂移分类方法,并在此基础上提出了对应的三层概念漂移检测模型。该方法分别从标签空间、特征空间以及特征和标签的映射关系三个层次进行概念漂移检测。实验结果表明该检测方法基于对比算法在概念漂移检测准确程度以及分类精度上的提高,尤其是在文本数据流上效果显著。(3)针对文本数据中频繁存在的漂移现象带来的概念有效信息量不足的问题,引入了LDA模型,提出了一种基于语义的概念漂移检测方法SSCD(Semantic Similarity Concept Detection),利用相邻数据块的语义信息弥补概念有效数据样本不足的缺陷,基于词和主题两个特征空间的语义相似度检测概念漂移。实验结果表明该算法可以有效提升文本数据流中的概念漂移检测效果,尤其是在概念漂移频繁程度较高时可以显著减少漏检数量。