随着信息时代的到来,人们越发察觉到信息的重要性并开始以各种方式搜寻“黄金”般的信息,其中最为突出也最为准确的是从数据中得到信息。而收集数据的源头之多、不完整性以及数据特征急剧膨胀,特别是数据流的出现,数据的存储管理和数据分析出现了前所未有的困境。人们对数据中信息的渴求与目前落后数据存储管理与挖掘技术的矛盾愈来愈烈,常常出现“望数兴叹”的场景。这种存在概念漂移、大量噪声数据以及分布不均衡的数据流称为非平稳流,本文针对非平稳数据流的概念漂移及其分类问题进行分析研究。首先对数据流挖掘的背景和意义及分类问题所面临的挑战进行阐述：同时详细地对目前存在的概念漂移应对方法从检测和处理的角度进行总结和概述；不同侧面地对数据流分类问题从单分类器和集成分类器进行探讨；并归结当前概念漂移检测和处理及数据流分类方法存在的问题,从而提出本文研究的突破点。提出了基于鞅的数据流概念漂移检测方法(CDDBM),该方法是在研究了前人学者们从数据分布角度对概念漂移检测的方法后,在统计学鞅理论的基础上归纳出了鞅检测概念漂移的原理。该方法认为概念漂移的发生不仅是因为数据簇中心的变化,其半径变化也会引起概念漂移,从而重定义了数据的相异度量的方法,并提出双重幂鞅更为全面的统计方法,另外对合理控制概念漂移积累的阈值进行和检测窗口尺寸,使得该方法在理论上和实验中都取得了良好的效果,有效控制了误报率和失报率。提出了基于特征漂移的数据流无监督集成分类方法(ECFD),该方法在不同数据特征对数据分类具有不同贡献度的基础上给出了特征漂移概念及其与概念漂移的关系,从而能够更好地对大数据流进行分类并构建更为有效的分类器。首先利用互信息理论为数据流定制了一种特征选择方法(UFF)并利用前后关键特征子集得不同判定概念漂移的发生；然后在特征数据集上建立基础分类器并集成；最后提出了一种修改偏置性的加权方法进行投票分类。在理论分析和实验结果中都显示了该方法具有良好的精度、运行速度和抗噪性。