最小二乘支持向量机和极限学习机是机器学习和数据挖掘等领域取得广泛关注和应用的两种算法。伴随信息化技术的不断发展与进步,流数据处理问题越来越多。在线学习是处理流数据挖掘问题的主流方法,基于在线学习的基本框架开发设计各类经典批处理算法模型的在线版本是处理大数据背景下各类学习任务的有效途径。目前的最小二乘支持向量机在线学习算法只能实现样本点的逐点更新,限制了其应用场景。为了提升最小二乘支持向量机在线学习算法的普适性,我们将原模型拓展为基于样本块的更新方式,提出了增量式最小二乘支持向量在线学习算法。该算法采用高斯块消元法,实现对支持向量集合和最小二乘支持向量机学习模型的动态更新,从而实现了实际应用问题中数据样本以数据块形式进行更新的问题;针对实际问题中存在类不平衡和概念漂移同时发生的情况,基于在线极限学习机算法模型和加权极限学习机算法模型,我们提出了预界在线加权极限学习机算法。通过最大值判定准则将预界策略引入算法,可有效防止重要样本信息的溢出,利用矩阵校正技术和Sherman-Morrison-Woodbury公式可实现模型的高效更新。多组数据集上的分类实验,数值验证了我们所提出算法的有效性和潜在价值,为今后进一步的研究和推广提供了基础。