随着科技的迅速发展,实际应用领域涌现出大量流数据,这些数据不仅具有海量、快速、含多个标签与特征高维的特点,且其数据分布会随时间动态变化引起概念漂移等问题。因而如何在多标签流数据环境下快速挖掘有效信息,成为数据流分类的重要研究任务之一。本文旨在针对概念漂移和流特征的多标记流数据分类问题开展研究,主要研究工作包括:（1）针对多标签流数据的概念漂移问题,提出一种基于核极限学习机的数据流集成分类方法。首先,在前k时刻滑动数据块上分别采用核极限学习机训练基分类器,构建集成模型以适应潜在数据分布变化。其次,利用Apriori关联算法得到每个数据块的标签相关性,并将同现标签的置信度引入到基于集成模型的预测过程中以提高整体的分类精度,再者,引入基于MUENLForeset模型的概念漂移检测机制,利用集成模型对第k+1时刻数据块分类结果预测,并检测是否发生概念漂移。当检测到发生概念漂移时,则利用当前数据块信息重新训练单个模型,设置权重函数以降低旧数据在此后计算过程的占比,并根据分类精度更新集成模型。最后,实验结果表明:与经典多标签分类算法相比,所提方法在适应多标签数据流中基于标签分布变化引起的概念漂移问题的同时,取得较优的分类精度。（2）针对多标记数据流的特征高维与多种类型的概念漂移问题,提出一种基于在线序列核极限学习机的高维多标签数据流集成分类方法。首先,根据滑动窗口机制将数据流划分为数据块,在前k时刻数据块上分别采用在线序列核极限学习机训练基分类器构成集成模型,利用集成模型对第k+1时刻数据块分类预测。其次,采用余弦相似度计算每个数据块中标签信息得到标签相似度矩阵,并提出基于K近邻和标签相关性的流特征降维方法以降低特征高维对分类精度的影响;再者,引入余弦相似度检测新旧数据块间是否发生特征、标签或者两者皆有的概念漂移。并根据漂移检测情况对新数据块重新训练基分类器,以更新集成模型。最后,实验结果表明:所提方法在高维多标签流数据环境中能保持较好的分类效果并对特征、标签发生的概念漂移有较强的适应能力。