在智能城市,大型基础设施的运行监控,可穿戴式协助设备和物联网等几种新兴应用场景下,用RDF来描述各种传感器传入的数据信息,可以清晰的表示各主体之间的关系,与此同时,传入连续数据流必须在非常短的延迟内得到处理,因此,语义数据流的处理成为重要的研究领域。目前语义数据流处理系统在处理高速率的流数据时无法满足实时查询要求,并且这些系统大部分都不支持实时推理功能。因此,本文在总结现有语义数据流推理相关研究和技术的基础上,利用特征索引和语义流推理技术进一步提高语义数据流推理的性能和降低查询延迟,主要工作内容如下:在数据驱动的推理优化方面上,本文将增量更新的数据流处理系统中的时间点的增量模型与前向推理相结合,并根据前向推理的特征和推理规则,提出了基于滑步的增量结果更新策略;并且针对前向推理结果冗余的不足,提出了基于多级索引的前向实时推理机制。在查询驱动的推理优化方面上,本文在利用扩展特征集的基础上,加入了基于查询语句的语义数据流后向推理方案,并且根据语义流数据的动态特性,重新设计了基于内存的语义数据流存储策略,构建了一个高效的语义数据流存储和查询引擎。本文在LUBM数据集设计了多组查询和对比试验,结果表明增量结果更新策略显著的提高了吞吐量,达到百万个三元组每秒;多级索引机制可以有效去除冗余的推理结果,其比例高达99%;总体推理性能对比其他流推理系统都具有明显的优势。