近几年,数据挖掘领域涌现出一种的新研究课题—数据流挖掘。在许多实际应用中,如股票分析、网络故障监测、信用卡欺诈领域得到了广泛的应用。数据挖掘研究领域里分类挖掘是其中重要的分支之一。现在成熟的数据流分类挖掘算法有:基于Hoeffding树的VFDT、适应概念漂移的CVFDT、集成分类器Ensemble Classifiers、VFDTC等。其中,集成分类方式被广泛应用在数据流分类挖掘领域。数据流的特点之一—概念漂移,是当今所有数据流分类算法必须面对的最大的挑战。分类算法性能的高低,取决于其适应概念漂移的能力。如今大多数性能优越的分类算法均采用集成分类方法。本文首先阐述了数据挖掘理论的相关知识,详细介绍了经典数据流分类算法EC4.5,以及概念漂移的概念。与EC4.5相比,CEEPCE算法提高了分类的准确率,但仍存在适应概念漂移能力不足的问题。本文提出的适应概念漂移的数据流分类算法基于集成分类器的构造、淘汰、更新、以及差异性加强等因素来优化分类性能。首先,介绍了基分类器的构造方式,结合eEP的特性构造出有较高区分度的基分类器。其次,给出了分类器的淘汰标准,根据基分类器的分类误差率进行淘汰。此外,根据算法CEEPCE提出了两点改进。第一次改进提出了基于分类误差权值的差异性加强方法,从而提高了集成分类器的分类精度。在保证基分类器分类性能的前提下,通过差异性加强方法提取最终的分类器集合。第二次改进对集成分类器的更新方式进行优化,更新时根据分类器的平均错误率与随机分类错误率的比较,选择是否加入相反分类器,这种验证方式虽然在时间效率上有所降低,但面对大数据量的分类时,其适应当前概念的优越性将会体现出来。