流数据往往是由连续的数据块组成,数据流场景下的检索研究是数据挖掘领域的重要基础应用,其在机器学习等各种分析任务中扮演着不可替代的重要作用。特别地,其是电子邮件的分类、新闻推送、医学诊断、文本识别、信用卡欺诈检测等的基石。传统的检索方法不能充分考虑到样本间的语义关系从而在效用和效率方面表现较差。本文基于聚类算法和局部敏感哈希算法来检索数据流文本信息的类别标签属性。特别地,在对文本检索、文本聚类和局部敏感哈希的进行综述的基础上,深入研究和分析了现有聚类算法和近似最近邻检索技术,设计了对应的研究方案。具体内容如下:聚类算法是解决无标签数据检索分类的的有效手段,但在研究中经常面临着相似度的选择比较武断带来的聚类效用较差的问题,许多学者提出一些改进算法来缓解。无论选择皮尔逊相似度还是TF-IDF（Term Frequency-Inverse Document Frequency）相似度都不能保证聚类的效用,而且可能在一个数据集上的效果好,在另外个数据集上的效果差。同时,在数据流场景下,服务器在初始阶段需要对到来的数据块进行聚类。为了满足实时响应的要求,同时达到较高的聚类效用,本文提出“误差驱动的多相似度模糊C均值聚类”算法PCM（PSObased FCM）。在PCM中,采用皮尔逊相似度、TF-IDF相似度以及杰卡德等相似度进行融合,同时采用粒子群优化算法来自适应地求解各个相似度所占用的权重以避免遍历所有权重带来的大量计算开销。最后,由于到来的数据块往往存在不均衡的问题,直接采用现有的硬聚类比如KMeans算法会导致大多数样本被分给样本数较多的类别,提出扩展T-S（TakagiSugeno）优化的模糊C均值算法进行处理。在爬取的数据集和两个真实数据集上的实验结果表明,PCM算法相比较传统聚类算法有较大提升,同时由于采用粒子群这样的启发式优化算法,从而有效地降低了时间开销。在数据流中新的数据块到来的时候,本文对数据块中的每条记录结合局部敏感哈希进行特征匹配以求达到精度和效率的均衡。显然,数据流中每条特征的构造方式以及好坏关系到检索的精度和复杂度。传统的特征构造方式构造的特征区分度低,而且构建时间较长,不能满足本文数据流场景下的实时性需要。现有研究表明,基于哈希的方法在效用和效率方面表现较优。为了在较低复杂度的前提下构造出精度较高的特征,本文基于局部敏感哈希,提出“数据驱动的分层监督核局部敏感哈希”算法SKH（Supervised Kernel Hash）。在SKH中,首先利用分层思想精心构建的的监督信息,采用数据驱动的形式学习哈希码,引入核函数增强了数据的可分能力,进一步提升了检索的效率。在爬取的数据集和两个真实数据集上的实验结果表明,SKH算法的检索效用相比较传统检索算法有提升,同时由于采用核函数来提取特征从而也有效地降低了时间开销。