在线学习是一类用于时序数据挖掘的机器学习范式,现已广泛应用于各种时序分类任务中。在实际应用中,时序分类任务通常面临两个严峻挑战:(1)类别不平衡问题,即不同类别样本数据量差异巨大。严重的类别不平衡问题会导致在线分类器难以正确分类少数类样本。(2)小样本问题,即可得到的有标签数据量有限。标签数据的稀少会导致分类器难以较好拟合数据分布从而进行分类。这些挑战使得大部分现存在线学习方法难以有效解决实际时序分类任务。为解决这些挑战,本文分别从在线分类问题和在线主动学习问题两个方面对不平衡时序数据流开展研究。首先,针对在线分类问题,本文提出了一个代价敏感在线分类算法。该算法针对不同类别设置差异化的误分类代价,并探索样本二阶信息自适应地调整学习率,因此能够更快更好地处理类别不平衡的在线分类问题。其次,针对在线主动学习问题,本文提出了一个在线自适应非对称主动学习算法。该算法同时为模型更新和样本选择策略设置了差异化的类别权重,因此能够有效地区别少数类和多数类样本的重要性。同时,通过探索样本二阶信息,该算法具有更高的质询可信度和更快的收敛速度,因此能够快速地适应时序数据的分布变化,从而解决在线主动学习问题。为了验证所提出的算法,本文对算法开展了理论分析,并做了大量实验验证。所得到理论和实验结果不仅论证了算法的有效性和优越性,还验证了两个重要设想:(1)样本二阶信息和代价敏感目标函数有助于处理类别不平衡在线分类问题;(2)同时在模型更新和标签质询时考虑类别不平衡,并基于样本二阶信息构建非对称策略,能够有效提升算法质询可信度,加快模型收敛速度,改进算法在在线主动学习任务中的性能。