随着信息技术的发展,各个领域每天都在生成海量数据。面对爆炸式增长的数据,传统的数据挖掘已经难以胜任当前的数据流环境。如何快速从数据流中挖掘出价值信息成了数据挖掘领域的研究方向之一。与传统的静态数据相比,数据流具有有序性、高维性、高速性、动态变化性以及数据规模庞大等特点,尤其在现实场景还存在着概念漂移、数据流标签信息难以获得等问题,使得已有的分类算法无法有较好的效果。因此,在数据流的环境下,对概念漂移进行检测及其分类方法研究有着巨大的价值。针对数据流中的概念漂移问题以及样本类标签缺失问题,本文结合分类器的间隔密度和Mcdiarmid不等式提出了一种新的概念漂移检测算法。算法基于集成分类器中各组件之间的多样性和差异性,提出了间隔密度来替代分类器的错误率。然后对不同时刻滑动窗口内的间隔密度进行差异度量。随后使用Mcdiarmid不等式对差异值进行假设检验,如果出现显著差异则意味着产生了概念漂移。通过对比实验来验证本文提出算法的性能,结果显示,该算法针对不同类型的概念漂移下,具有较低的延迟、漏报和误报,并且在和分类器相结合后,有效提高了分类器的准确性。基于所提出的概念漂移检测算法,并结合集成分类器的思想,提出了一种新的基于信息熵更新权重的数据流集成分类算法。在样本数据标签缺少的情况下,算法利用信息熵信息来对基分类器的权重进行动态加权。还使用概念漂移检测器和结合基于数据块和在线学习的处理机制来快速适应不稳定的数据流。通过对比实验表明,本文提出的算法在有概念漂移的数据流中取得较好的分类效果。