随着互联网、传感器网络、数据通信技术的不断发展成熟,各行各业都产生了大量的数据,对于大数据挖掘技术的需求也越来越迫切。在众多应用场景中,数据都是陆续到来、数量无限且随时间变化的,学术界将这种数据形态定义为“数据流”,数据流挖掘技术因其较高的应用价值,在学术界掀起了广泛的研究热潮,本文研究的数据流分类就是其重要的分支。不同于静态数据集,动态变化的数据流中可能会伴随着概念漂移和新标签问题,严重影响了分类器的精度。在深入研究数据流的特征和分类技术后,了解到基于集成学习的分类算法都具有较好的稳定性。因此,本文改进现有的集成方法来解决上述两个问题,提升分类器的性能,创新点如下:首先,本文提出了一种基于集成学习的分布式概念漂移数据流分类模型。该模型是动态基分类器和稳定基分类器的组合形式,两种分类器数目相同,通过动态赋予的权值共同参与集成分类器的决策。稳定分类器在部署到数据流之前就训练完毕,通过不断增量更新来跟踪数据流长期分布趋势,可以适应渐变漂移;动态基分类器在最新的数据块上创建,可以及时捕获突变漂移。为了提高分类器的训练和更新效果,本文基于主动学习的思想,提出一种实例选取策略,选取最有价值的实例来赋予真实标签。同时,考虑到实际场景中的数据流都是分布式的,本文基于微簇的思想设计了一个分布式框架及对应的挖掘算法,中心节点完成数据流的分类任务。实验部分,将本文算法与其他数据流分类算法进行比较,从实时准确率、整个分类过程的平均准确率以及内存消耗三个角度来实施实验,结果表明本文的算法在稳定性、分类精度及资源消耗方面都有着良好的表现。其次,本文提出了基于孤立森林的数据流中新标签的发现算法。目前的检测算法都是将新标签当成异常点来建模,当数据流中同时存在异常样本和新标签样本时,这些方法将不再适用,因此需要区分这两个类别才能准确地识别出新标签。本文提出的解决方法是先基于孤立森林这一集成异常检测算法来划分正常区域和异常区域,在异常区域,新标签和已知类的异常样本可以通过偏离程度值的大小来区分。检测到的新标签样本会暂时存放到设置的缓冲区里,然后通过所提出的过滤算法来保障新标签检测结果的准确性。实验部分,本文通过调整不同阶段的实例类别来模拟新标签的生成,分别从F-measure和准确率的角度来评估算法的性能。结果表明,与其他同类型的算法相比,本文算法具有更好的检测效果。