随着信息技术、数据库技术、计算机网络技术的不断发展,一种区别于传统数据库存储的数据形式出现,称之为数据流。针对数据流的挖掘方法成为了近年来的研究热点。分类作为数据挖掘中重要的一个分支,在数据流挖掘中也扮演着重要的角色。由于数据流具有数据持续到达,到达速度快,数据规模大等新的特点,传统的基于静态数据的数据挖掘分类方法,比如贝叶斯、决策树,神经网络等等,已经无法满足数据流挖掘的需求,为了适应数据流的新特点,本文采用了基于频繁模式的分类方法,即先挖掘出初始窗口中的频繁模式,并以此作为分类器,然后随着数据的不断到达对分类器进行动态的更新并通过此分类器对到达的数据进行分类。通过对已有频繁模式挖掘算法和分类算法的学习和归纳,认真的分析了算法CAPE在分类过程中的缺点和不足,对算法在分类器建立过程、分类器存储结构和分类器更新过程上进行改进,得到新的基于频繁模式的数据流分类算法FPBC。新算法采用了频繁模式树作为数据流分类器,利用模式缓存表来解决概念漂移的问题,通过实验证明算法在系统内存占用和分类精度方面都有很大的提高,为数据流挖掘的分类研究注入了新的思路和方向。