流数据分析作为数据挖掘领域研究的重点课题之一,采用的技术主要有分类、频繁项挖掘、聚类、估计、预测、相关性分组和关联规则等,其中流聚类领域经典算法CluStream中的在线-离线处理框架能够在线分析流数据信息,并根据用户的需求离线聚类,输出相应时段的数据信息,但算法对高维数据的划分效率较低,基于此,提出一种基于核方法的流聚类演化算法。首先,针对流数据维数多样,难以在原始空间下线性划分的问题,引入核方法,通过非线性映射规则,将数据映射到高维特征空间的核矩阵中,从而对其进行有效的线性划分,同时避免了数据处理当中的维数灾难问题。然而由于流数据的无限性,核矩阵的构造会导致计算量大和内存占用大的问题,本文采用基于统计杠杆分数的差异性采样法,在线得到与整个流数据中的数据分布相似的样本集,来构造样本核矩阵,该方法在缓解内存压力、降低算法时间复杂度方面具有良好的效果,同时具备实时处理的性能。然后,通过对样本核矩阵中的数据进行循环聚类,得到流数据中的概要数据模型,用来对新数据进行划分。最后,针对流数据演化过程的更新,本文算法受以往流聚类算法中引入时间衰减因子的启发,利用时间衰减函数的原理构造衰退聚类机制,实时更新和划分数据来反映流数据的演化过程。通过随机数据集和UCI数据集上的实验表明,本文算法具有良好的聚类性能,同时对不同维度数据集的聚类性能具有较好的稳定性。