数据流中蕴含着丰富的信息,近年来,对数据流的挖掘研究工作越来越多。相比于静态数据,数据流数据有高速、无限、概念漂移、概念演变、少量标签等特点。概念漂移与概念演变会导致数据流分类模型的分类能力随时间发展而下降,这就要求分类模型有自适应的能力。现有的大多数数据流自适应分类模型往往假设数据输入分类模型得到预测标签之后,就可以得到其真实标签。但是,这种假设在某些情况下是不合理的,因为数据标记往往成本高,耗时长。因此,本文针对数据流概念漂移、概念演变、少量标签等场景的数据流自适应分类问题展开了研究工作。首先,针对数据流概念漂移和少量标签问题,论文提出一种用于数据流自适应概念漂移过程的主动学习方法。该方法在考虑主动学习可能出现采样偏差的情况下,结合了不确定性主动学习策略以及边界点和离群点检测方法BOD,利用不确定性样本能够反映决策边界,边界点和离群点能够反映特征空间的优点,使得主动学习的少量标签样本尽可能地反应数据的真实分布。其次,在考虑数据流概念漂移和少量标签问题的基础上,论文加入了对概念演变问题的研究,针对已有分类模型EMC做了如下改进:首先提出了距离加权策略改进了原来的分类策略;然后提出了基于不确定性和随机选择策略的主动学习方法,使模型可以适应少量标签的环境;最后提出了基于样本局部相对密度的新类检测方法NDLRD。NDLRD考虑了新类样本的聚集特征以及新类样本与已有类样本相聚很近的情况,利用局部相对密度衡量样本属于新类的程度。针对第一方面的研究,与已有全标记算法HAT和OBA相比,在概念漂移发生的情况下,本文提出的主动学习方法只需要平均20%左右的标签就可以使分类器保持同等分类精度,说明所提出的主动学习方法有良好的主动学习能力。针对第二方面的研究,在9个真实数据集及合成数据集上进行实验,改进的EMC在大多数数据集上比EMC有更好的实验结果,表明了改进方法的有效性。