在如今的大数据时代,海量数据通过各种硬件及软件源源不断生成,并具有高速、无限的特征,这些数据以流的形式生成并到来,同时这些数据的分布会随着自身或外界环境的改变而发生动态变化的现象,从而使得真实场景下的数据流具有概念漂移的特性。传统的数据挖掘的应用场景要求处理的数据是批量的且满足独立同分布的条件,所以传统的静态数据挖掘针对高速、无限且具有概念漂移的数据流变得不再适用,需要使用数据流挖掘技术来解决此问题。由于真实场景下数据流的标记样本大量缺失,数据流挖掘又面临着新的挑战即如何更好地对只带有少量标记样本的数据流进行分类。数据流在高速产生的过程中要标记所有的样本不切实际且费时费力,而大量未标记样本中也包含许多有价值的知识,一味地丢弃未标记样本会使得训练样本过少,训练得到的模型泛化能力不足,从而引入了半监督学习。概念漂移数据流在半监督场景下的分类问题面临着如下两个主要的挑战:（1）如何利用少量有标记样本和大量无标记样本训练一个泛化能力良好且能在线学习的分类模型;（2）如何在大量未标记样本环境下准确地进行概念漂移检测,以及时反映数据分布的改变,从而及时地调整分类模型以适应当前数据的分布,通过模型更新获得更好的分类准确率。综上考虑到半监督环境下概念漂移数据流分类问题的研究价值和带来的新的挑战,本文的研究内容总结为如下两个方面:第一,基于快速决策树的在线学习框架可以通过剪枝进行模型更新以适应概念漂移,同时考虑到数据流动态变化的特性。我们将自适应定位簇中心算法应用至快速决策树模型提出了SSCADP（Semi-supervised classification of data streams based on adaptive density peak clustering）算法。在分类阶段,样本通过决策树给出预测标记。在学习阶段,将分完类后的样本依次进行处理,样本落入至相应的叶子节点,每当达到一个检测周期对叶子节点中的样本调用自适应定位簇中心算法形成聚簇集合,并在每个簇中采用多数投票的方法给未标记样本打上标记。并对叶子节点进行概念漂移检测,如果检测到概念漂移则对模型进行剪枝,如果叶子节点中的样本达到指定的阈值,则基于霍夫丁不等式选择最优划分属性继续分裂叶子节点。对于概念漂移问题,利用高密度样本的变化更真实反映数据分布的改变这一条件,对SUN（Learning from concept drifting data streams with unlabeled data）算法中的判断簇间距离的变化幅度大小概念漂移检测方法进行了改进。大量的实验结果验证了SSCADP算法的优势。第二,传统监督环境下的概念漂移检测多以准确率作为衡量指标,半监督环境下大量未标记样本的出现给以准确率为指标的显式概念漂移检测带来了极大的不确定性,故本文考虑使用隐式适应概念漂移策略,提出S2CDTL（Semi-supervised classification of data stream with concept drift via transfer learning perspective）算法。算法动态维护一个分类集成池,使用聚簇分类器作为基分类器,聚簇分类器由第一个工作中提出的自适应定位簇中心算法训练得到。初始时刻,在第一个数据块上训练得到的分类器直接加入至集成池中进行初始化。当待分类的数据块到来时,利用上个数据块训练得到的分类器集成模型迁移过得分类器对其进行多数投票给出预测标记。模型迁移的具体策略为对前一个时刻的集成模型利用当前数据块中的样本进行增量更新达到隐式适应概念漂移的目的。当池中的分类器数量达到规定的阈值时,基于最大化多样性策略对集成模型进行更新。通过大量的对比实验表明,该算法在大部分数据集上都有较好的表现。