在许多的应用领域中,如电子商务、入侵监控、物联网环境监控等,正在以惊人的速度产生大量的数据流,其中蕴含着丰富的有价值信息。对这些海量数据的提取、处理以及进一步的分析是当前数据挖掘领域的一大研究热点。与一般数据环境相比,数据流具有高速到达、海量数据特点,传统数据挖掘策略无法较好适应其环境。因此,在这种复杂环境下,采用合理的学习策略是数据流挖掘领域中的重点。数据流中的分类问题主要存在以下挑战:第一,数据流数据分布的变化多样且未知性,导致了分类器的分类性能损失;第二,数据流中类别分布不平衡现象,对学习策略的要求进一步加大;第三,数据流中的噪声数据往往对分类模型的选择策略造成不同程度的干扰。本文将围绕上述问题,对复杂环境下数据流的自适应学习策略进行了研究,主要工作包括:(1)提出了基于深度属性加权的自适应集成策略,改善对具有噪声干扰的数据流环境适应性。该策略采用增量式学习和集成学习机制。依据不同属性值对分类贡献进行局部加权,并设计了动态自适应阈值,同时组合分类器置信度和分类器精度权重的双重权重策略,进一步改善对基分类器的权重分配。有效控制噪声数据或无关属性干扰,并改善对概念漂移适应性。通过合成数据集以及真实环境数据的实验验证表明,集成策略在分类精度具有一定提高,对概念漂移适应能力有所改善。(2)提出了基于增量式双层聚类的不平衡学习策略,解决具有概念漂移环境下不平衡数据流分类问题。增量式处理时对少数类实例实现快速聚类,同时对多数类实例进行欠采样,以形成双层聚簇模型,保留具有多样性的聚簇,同时平衡各个聚簇的数据并降低存储空间。并引入多阈值策略,辅助双层聚簇模型进行预测,同时用于检测可能存在的概念漂移,以便动态更新现有的模型。在合成数据集及真实数据下的实验结果显示,不平衡学习策略在分类精度和几何均值(G-mean)上具有一定的提高(最好分别提升4%和7%左右),对具有概念漂移的不平衡环境适应能力更强。