随着技术发展,许多领域每天会产生源源不断的数据流,如股票分析、电子商务、气象监控、信用卡欺诈监测等。数据流实时产生且规模庞大,无法将所有数据存储下来,这使得传统的数据挖掘算法难以有效的对数据流进行处理。在动态变化和非平稳的环境中,数据分布会随着时间推移而发生变化,即产生概念漂移现象。如何从概念漂移数据流中挖掘出潜在的、有价值的信息,已成为目前研究热点之一。分类是数据流挖掘领域中常用的技术之一。目前对于概念漂移问题的研究,大部分围绕分类算法展开。由于集成算法具有快速适应变化的优点,因此基于集成的分类算法是最常用的处理概念漂移的方法。为此,本文围绕面向概念漂移数据流的集成分类算法展开研究,主要工作如下:（1）出了一种基于差异性指标的概念漂移数据流的集成分类算法。首先根据相邻数据块的样本均值变化程度检测概念漂移。若检测到漂移发生,通过新到达的数据块构造出新基分类器;否则仅对已有基分类器进行权重更新,不构造新基分类器。最后将基分类器的分类准确率和集成差异性进行融合,结合时间因子作为综合度量指标,对基分类器加权,以高集成的泛化能力。理论和实验证明,该算法具有更高的分类准确率,能更快地适应概念漂移。（2）出了改进的自适应随机森林方法。首先利用集成分类过程中的分类性能调整Poisson分布的抽样参数,动态调整新样本在基分类器中的权重,从而增加基分类器之间的差异性。其次在集成模型上增加概念漂移检测算法。当检测到概念漂移警告信号时,根据集成分类器的准确率生成指定个数的背景树,同时背景树协同基础树参与最终决策;当发生概念漂移时,用训练好的背景树替换分类性能较差的基础树。与自适应随机森林算法相比,该算法具有更高的分类准确率。