在真实应用场景下,数据往往以流的形式持续到达,流数据由于环境的动态变化可能会存在概念漂移的现象,即流数据中的概念会随时间推移而变化。概念漂移现象广泛存在于各种场景和领域的流数据中,及时检测并适应概念漂移是处理概念漂移问题的关键。概念漂移有多种类型,而现有的概念漂移检测与自适应研究方法大多针对单一类型的概念漂移,难以检测及适应混合类型的概念漂移。而真实世界的流数据通常包含混合类型的概念漂移,能准确检测到概念漂移并判断其类型,可以为概念漂移自适应提供良好的基础。一个理想的分类模型也应能同时适应混合类型的概念漂移。因此,本研究主要围绕混合类型概念漂移的检测与自适应展开。本文的研究工作及创新性主要体现在以下二个方面:针对混合类型概念漂移的检测及类型判断问题,提出了一种基于模型准确率和准确率变化率的混合类型概念漂移检测和类型判断方法。该方法首先在样本数据集上训练分类模型,使用该模型预测新数据;然后,设定一个阈值对,根据模型的预测准确率与阈值对进行比较,判定发生概念漂移的状态;最后,根据准确率变化的时间长短来确定概念漂移的类型。实验结果表明,该方法无论是在包含单一类型,还是混合类型概念漂移的数据集上均能有效检测到概念漂移,同时能准确判断出漂移的类型。针对混合类型概念漂移的自适应问题,提出一种能应对混合类型概念漂移的自适应框架。该方法首先在样本数据上采用滑动窗口法训练分类模型,用于预测新数据;其次,在基于模型准确率和准确率变化率的混合类型概念漂移检测和类型判断方法的基础上,采用滑动窗口法和集成学习法分别对突变漂移和渐变漂移自适应;然后,对分类器的质量进行度量,对不同质量的分类器采取相应的更新策略;最后,在检测到不同类型的概念漂移时两种方法互相切换,达到动态适应流数据中概念变化的效果。在多组已知具体漂移情况的人工数据集上进行实验,与已有的概念漂移自适应算法进行对比,实验结果表明,该算法在混合类型概念漂移数据上有更好的自适应效果。本论文针对突变和渐变两种混合类型的概念漂移,采用基于模型准确率的方法进行漂移检测与类型判断,结合滑动窗口法和集成学习法对概念漂移自适应,且取得较好效果。本研究可以为混合类型概念漂移的检测与自适应问题提供新的研究思路和新方法。