随着信息技术的迅猛发展,在网络监控、电信数据管理和金融服务等领域源源不断地产生新数据。具有海量、连续、多变及潜在无限性等特征的数据流不仅为数据存储带来挑战,也加大了知识获取的难度。数据流中目标概念随着潜在信息变化而变化的现象称为概念漂移,概念漂移检测可应用于垃圾邮件检测、金融欺诈监测、天气变化预测和客户偏好调查,具有很高的应用价值。针对概念漂移检测,已有的工作主要采用基于规则、决策树、朴素贝叶斯和支持向量机等方法。通过计算概率分布的特性和分类精度来检测漂移,在概念刻画和分类方法上仍然可以做出改进。因此,本文针对数据流中的漂移检测问题展开研究。论文主要工作如下:(1)概述面向数据流的概念漂移检测算法普遍存在的问题,分析其优缺点,提出本文算法的突破口和所要实现的目标。(2)数据流概念漂移检测的性能依赖于概念刻画的精度,已有的算法主要基于单窗口机制,窗口间有序而窗口内无序,丢失了概念内的时序特征。针对此问题,研究并提出了一种基于序列比对的概念漂移检测算法CDD_BSA。该算法采用滑动窗口机制,改进Needleman-Wunsch算法作为相邻窗口的概念相似性度量指标。实验表明:与已有的代表性的概念漂移检测算法比较,该算法刻画概念更加细致,可以适应不同类型、不同速率的概念漂移。(3)基于单窗口机制的概念漂移检测算法受窗口规模影响很大,窗口过大不适应新的目标概念;窗口过小导致目标概念学习数据不完备。针对这一问题,本文提出一种基于动态窗口的概念漂移检测算法CDD_BDW。该算法使用朴素贝叶斯分类方法,采用Boosting算法构造混合集成分类器,动态调整窗口大小以适应不同类型的漂移,动态更新集成分类器以保证分类精度。实验表明:动态调整窗口机制有效,与已有的代表性的概念漂移检测算法相比,该算法在分类精度以及漂移检测能力上都有更好的表现。