数据流分类作为数据挖掘领域中的一个重要分支,能够获取数据流中有价值的信息,已成为当下研究热点之一。数据流具有可变、无限、快速等特征,导致传统的分类方法面临较多难题,如样本标注和概念漂移等。因此,如何建立精确的分类模型以及实时检测概念变化,成为数据流分类面临的挑战。迁移学习利用源领域和目标领域之间的相似性,将知识从源领域迁移到目标领域。基于迁移学习的数据流分类方法能够构建出高效的分类模型,解决数据流分类中的样本标注和概念漂移等问题。因此,开展基于迁移学习的数据流分类研究具有重要的现实意义和研究价值。鉴于此,本文将迁移学习应用于数据流分类中,具体工作如下:1.首先对基于迁移学习的数据流分类技术相关基础知识进行详细的阐述,然后归纳出基于迁移学习的数据流分类常用方法,最后对基于迁移学习的数据流分类技术是如何挑选出最合适的源领域分类器的方法给予介绍。2.当数据流中某个样本的类别过于依靠近邻信息进行决策时,可能会产生错误判断的现象,即伪近邻效应。为有效避免数据流分类中的伪近邻现象,提出一种基于互近邻的多源迁移学习方法。该方法的主要思路是利用互近邻思想挑选出互近邻样本集合,同时计算各源领域分类器对互近邻样本集合的局部分类精度,并将局部分类精度最高的源领域分类器和目标领域分类器进行加权集成。对加权集成分类模型进行仿真实验,结果表明该方法与传统迁移集成方法相比,分类准确率和抗噪稳定性均有显著提高。3.为有效消除不确定分类器对于噪声数据流带来的不利影响,设计一种基于样本确定性的多源迁移学习方法。该方法利用弃权分类器思想强制不确定分类器不进行预测,其核心思想是计算各源领域分类器对目标领域样本的样本确定性值,并将样本确定性值满足当前阈值限制的源领域分类器与目标领域分类器在线集成。仿真实验结果证明所提方法是可行的,分类模型具有较高的分类精度以及较好的稳定性。本文探索不同的源领域分类器选取方法,并用这些方法从源领域分类器集合中挑选出最合适的源领域分类器。所提出的方法能够将源领域有效的知识迁移到目标领域,从而解决数据流中的概念漂移和噪声问题。同时给出现阶段基于迁移学习的数据流分类仍需面临的挑战,并针对这些问题论述基于迁移学习的数据流分类未来的研究趋势。