对于数据增加迅速的客户行为分析、Web日志分析、网络入侵检测等在线分类系统来说,如何快速准确的适应新增样本是确保其分类正确和持续运行的关键。对于解决这类数据增量问题,已有的一些增量决策树算法通常需要保存大量的历史样本数据,存储代价昂贵,并且为了保证与传统决策树形式一致,每当获得新样本就要测试调整决策树的结构,而这种调整需要一定的计算代价,不能很好的满足在线分类系统的需要。数据增量问题是比较简单的一种增量问题,现实生活中还可能存在类别增量和属性增量这两种更加复杂的增量问题,传统的一些增量决策树算法往往注重对数据增量问题的研究,而忽略了对后面两种增量问题的解决。在深入研究决策树方法和贝叶斯方法的基础上,针对数据挖掘中三种增量问题各自的特点,将决策树和贝叶斯处理的思想相结合,提出了一种改进的混合分类器算法。该算法综合了决策树方法和贝叶斯方法的优点,既有良好的可解释性,又有良好的增量学习能力。在增量问题发生时,将已经学习得到的模型应用于新增样本,在历史统计信息和新增样本的基础上进行增量式更新学习以及时获取新样本中所包含的知识,保证了分类器的实时性和有效性。在UCI标准数据库中的数据集上将混合分类器算法同已有的决策树算法进行对比实验,结果表明该算法能够较好的解决数据挖掘中出现的增量问题,与重新构造决策树相比,它的时间开销更少,具有更高的分类准确率,从而更加适用于在线分类系统。