随着网络技术的迅速发展和普及,网络交通监控、信用卡欺诈检测等领域产生了海量的数据流,这些数据流除具有快速海量的特点外,还含多个标记且标记数据大量缺失,标记会随着数据动态快速变化而产生新类凸现以及概念漂移等问题,因而如何挖掘数据流中潜在的有价值信息成为多标记数据流分类的重要任务。本文旨在针对多标记数据流存在的标签缺失,新类凸现与概念漂移等问题开展分类方法研究,主要研究工作包括:(1)针对多标记数据流的标签缺失与新类凸现问题,提出一种基于Co-trai ning的半监督多标记数据流分类方法。首先,该算法采用滑动窗口机制将数据流分块,在前w块数据块上分别采用基于协同训练机制的多标记半监督分类算法C OINS训练基分类器,构建集成模型以适应标记大量缺失的数据流环境。同时,引入新类凸现检测机制,利用集成模型对第w+1块数据块进行预测以检测是否有新标记凸现问题,当检测到新标记,则在当前数据块上重新训练分类,更新集成模型。实验结果表明,与经典算法相比,本文所提算法能够提高类标签大量缺失和新类凸现环境下的多标记数据流分类精度。(2)针对多标记数据流的标签缺失与概念漂移问题,提出一种基于Tri-trai ning与KL散度的多标记数据流半监督分类集成方法。所提方法首先利用Tri-tr aining策略构建基于在线顺序极限学习机的集成分类模型;其次,分析数据分布变化的原因,引入KL散度同时监测特征空间与标签空间的变化,以检测多标记数据流中隐含的实际与虚拟概念漂移。一旦检测到概念漂移,对新数据块重新训练基分类器以更新集成模型。实验结果表明:所提方法能有效检测多标记数据流中的虚拟与实际概念漂移问题,并提高分类模型的分类精度。