通信、计算机和网络技术的飞速发展将人类带入信息社会,大量的数据可以用来衡量人们生活的方方面面。这些数据在给人们带来方便的同时也使人类陷入数据的海洋中。数据挖掘就是人们用来从大量的随机应用数据中,提取隐含的信息和知识的技术。近年来出现了许多新型应用,传统的数据挖掘技术无法很好的处理这些应用数据,比如传感器网络、互联网点击流、金融数据和在线监控事务日志等,这种新型数据形式称为数据流。如何在有限存储空间下,对这些数据流进行快速处理,为数据挖掘的应用和研究带来了新的机遇和挑战。为应对这些挑战,本文提出了一种新的分类算法EVFDT,并将此算法运用到一个多分类器系统框架下,最后通过实验验证了EVFDT算法的效率和准确率,以及多分类器系统对概念漂移的数据流的良好性能。本文的主要工作如下所示:(1)在VFDT算法基础上提出了EVFDT算法,该算法引入一种非均匀间隔剪枝的方法处理连续属性,将算法扩展到包含连续属性的数据流挖掘领域,并具有较高效率。(2)使用朴素贝叶斯处理决策树的叶节点和内部节点,缩小了训练需要的样本空间,提高了决策树的训练效率。(3)提出一个综合分类框架,并将EVFDT算法和其它一些经典的算法构成一个系综分类器,并提出一个检测概念漂移的方法,以分类概念漂移的数据流。(4)根据局部性原理提出基于准确率的赋权方法,以及使用基于权值的剪枝方法最系综中的分类器剪枝,使系综方法的准确率和时间效率得以提高。(5)通过实验验证了EVFDT算法和集成了该算法的系综分类器的效果。实验结果显示,新算法较同类算法在时间效率和存储空间上都有一定的优势,集成了新算法的系综分类器对挖掘概念漂移的数据流具有良好的性能。