随着通信技术的不断发展,各个终端之间的数据联系愈加频繁。其中有大量的数据流在各个终端之间进行传输,人们不仅仅需要获取数据流所体现的表面数据,更希望在数据流隐藏的深层数据中进行挖掘,但因为数据流特有的实时性、难以再次获得,传统采用静态数据集进行机器学习训练的分类方法并不适用于高速大量的数据流,因此对于数据流的分类过程,需要一种对数据流快速进行处理的方法,而且数据流中存在高维、线性以及非线性关系的数据。数据流随时间变化,样本概念随之发生变化会导致分类结果不佳,这种现象称为概念漂移。如何快速、精准的对这种数据流进行分类是一个重要问题。基于以上背景,由于数据流中包含很多高维数据的现象,为了避免维度爆炸,文中使用了基于子空间的角度优化的全局嵌入(AOGE)和主成分分析(PCA)结合的方法,利用AOGE余弦投影的方法选择类内最小角度,PCA方法选择最大类间距离同时处理,优化了概念漂移检测过程,从而进行概念漂移的判断。通过比较实验结果,选用角度线性判别嵌入(ALDE)降维后的数据送入随机向量函数连接(RVFL)分类器进行训练,与此同时使用AOGE与PCA结合的数据流概念漂移检测框架进行概念漂移检测。将降维过程和概念漂移判定结合,使数据在处理流程中可以两个动作同时进行,当数据流未产生概念漂移时,算法使用原有的训练模型,一旦发生概念漂移则将新的数据加入训练进行模型的迭代,提高了算法的运行效率。本文对RVFL、极限学习机(ELM)、支持向量机(SVM)分类器进行了讨论,最后提出一种基于RVFL分类器进行数据流分类的方法。