近年来,传感器网络应用越来越广泛,传感器网络中的实时感知数据多为流式数据,利用传感网络收集的实时数据流研究其中包含的特定流式数据事件已日益成为安全监测系统的主要手段。受传感器部署外部环境及人为干扰等因素影响,流式数据在时间域上传播常常会出现减缓或加剧等数据漂移现象,使得同一信号源发出的同一段流式数据信号在经过不同传播路径到达不同位置时,相应的传感器接收到的信号序列并不完全一致,甚至可能会出现较大的偏差。因此,数据漂移特征已成为流式数据识别领域内研究的热点与难点,而现有的流式数据事件判识方法多采用时间序列直接匹配的方式,导致判识漂移特征事件的准确率极低,并且这些方法在获取完整事件前,不能得出判识结果,判识均为滞后判识,无法满足监测系统实时性需求。综上所示,针对流式数据的漂移特征和现有流式数据识别方法存在的判识准确率与效率低等问题,本文基于对流式数据的深入研究,提出一种漂移特征流式数据事件的实时判识方法。本文的主要研究内容如下:a)针对漂移数据无法与事件模板进行直接匹配的问题,构建基于动态时间规整的反走样模型,将实时流式数据与事件模板进行矩阵扭曲,实现相似性匹配识别;b)针对事件在流式数据中出现位置的随机性导致事件在数据流中的起始点获取困难的问题,采用“神经网络+DTW”方案,提出自适应增量滑动窗口机制快速识别漂移特征事件的初至域,并通过自适应事件模板比例修正动态获取事件初至域判识比例因子,同时提出增量序列的优化匹配方法以降低事件模板比例自适应修正过程中增量序列重新匹配的计算代价;c)在此基础上,提出基于判识比例阈值分配的事件分阶实时判识方法MRI-IW,通过事件的初实时快速判识和终实时精确判识,快速得到事件发生的可能性以及最终事件的信息,并提出基于分段累计近似法的数据优化策略,降低实时匹配的数据规模,提高判识效率。