随着信息技术的迅猛发展,出现了越来越多的数据形态,而流数据就是其中之一。该类数据不同于传统数据,其拥有海量性、实时性和动态变化性等特点。除此之外,在实际的应用中,数据往往是不平衡的,如信用卡交易记录中判断金融诈骗的数据、预测是否患病的医疗体检数据等。在处理不平衡样本问题中,SMOTE算法的思想主要是对相邻的少数类样点进行线性插值生成新的少数类样本点,以此来缓解数据的不平衡性。REA算法在解决面向流数据的不平衡样本分类问题时是通过采用滑动窗口机制,分时段地对分类器进行训练,最后采用集成的方法,形成最终的分类器。上述两种方法在解决本课题的问题上存在着各自的缺点,SMOTE算法并没有考虑到不同区域间少数类样本点的分布问题,并且也不能很好的掌控生成样本点的位置,而REA算法仅通过加入历史少数类样本点来缓解数据的不平衡性,往往忽略了对概念漂移以及类内不平衡问题的考虑。针对上述问题,本文提出了一种结合了REA算法和SMOTE算法的改进算法——CSMOTE_REA,用来应对面向流数据的不平衡样本分类问题。在本算法中提出了具有聚类特性的采样方法,首先在训练数据中通过加入历史数据来增加少数类样本点的数量,然后通过对少数类样本点进行聚类,以此来达到对不同区域少数类样本点的识别目的。同时,本文提出了一种基于网格生成样本的方法,该算法使得生成的样本点与原始少数类样本点具有更强的相关性,增大了少数类样本点的聚合度。此外,又提出了一种测试样本自适应的选择多分类器进行集成的方法,增大了分类器与样本的关联度,提高了分类器的预测能力。通过在多个数据集上进行实验,并与其它算法进行对比,结果表明CSMOTE_REA算法在面向流数据不平衡样本的分类问题中取得了较好的效果。