目前,虽然不少学者对高维数据流处理技术进行了诸多的研究工作,但仍然存在算法效率低、存储数据量大等问题。本文在对高维数据流的特点进行全面分析的基础上,对高维数据流的降维技术、聚类算法和趋势分析方法进行了深入的研究。主要有以下几个方面的研究工作及成果:1)研究了高维数据流的特点及其应用,重点分析了高维数据流的降维技术、经典的聚类算法及其优缺点。2)提出了基于信息熵的特征投影降维算法—H-HpFit Stream。针对高维数据流维数高和已有降维算法效率低等问题,利用信息熵函数保留价值信息,同时提高降维算法效率,达到降维的目的;除此之外,该算法保存了数据流的概要数据,降低数据的存储量,方便后续研究工作中对数据的提取和调用。3)提出了改进后的数据流聚类算法—D-LFStream。针对LF聚类算法聚类效果较好但运行效率较低的缺点,采用滑动窗口处理技术,将密度算法思想引入其中,完善蚂蚁的移动规则,使蚂蚁在移动过程中更具有“方向性”,提高了算法的收敛速度。4)提出了一种改进的数据流趋势分析算法。根据实际的应用需求,基于数据流变化的剧烈程度,选择使用总体最小二乘法或指数回归算法对其进行趋势分析,从而提高了数据流趋势分析的精度,使趋势分析的结果更接近于真实数据;同时结合置信区间理论对数据流中的变化点进行异常检测,为监测对象提供早期预警和重要的决策支持。5)以桥梁健康监测为应用目标,将经过降维和聚类算法处理后的数据流应用到改进的趋势分析算法中。仿真实验结果表明,改进的算法成功实现了桥梁健康监测数据流的降维和聚类操作,能有效的进行趋势分析;同时,改进的算法不仅提高了高维数据流的处理效率,并解决了庞大数据流的存储问题。