作为数据挖掘领域的一大分支,数据流挖掘一直是一大研究热点,现有的一些成果也已经在理论研究和实际应用中做出了重要的贡献。数据流挖掘的关键特征是通过一次扫描从海量,连续,动态演化的数据流中实时提取有价值的知识。然而,绝大多数算法都建立在数据有完整标签的基础上,且对数据流的演化形式(如,概念漂移,概念演化,特征演化等)有较强的假设,这极大地限制了数据流挖掘在实际场景中应用的广度和深度。因此,建立可靠的自适应聚类算法,使之能够有效应用于标签缺失的场景,并且对多种演化形式能快速适应及学习,是当前数据流挖掘领域的一个重要任务。本文的主要工作包括对概念演化数据流进行自适应的无监督学习以及对复杂的数据流进行特征演化的学习,本文的工作内容和主要创新点主要为以下三个方面:第一,针对概念演化数据流中滑动窗口(或衰减速率)不合适导致聚类表现变差以及聚类结果不能正确反映当前数据分布的问题,本文首次提出聚类生命周期的概念,并基于此提出聚类生命周期学习(CLL)算法,为每一个类在数据流中出现的时间和消亡的时间进行有效的预测。该算法通过为每一个带权微簇自适应地学习一个遗忘函数来调整微簇权重的衰减速率,加速组成过时概念微簇的权重衰减并减缓正确反映当前数据分布的微簇的权重衰减,有效地提高了聚类的性能。第二,针对传统基于窗口的聚类演化检测方法存在检测不及时和演化检测错失的问题,本文在聚类生命周期自适应学习的基础上,提出一种基于最小生成树的动态聚类算法。该算法通过实时维护树(类)结构以及树(类)与树(类)之间的关系来在线监测聚类结构是否发生演化,提高了聚类演化检测的及时性和准确性。第三,针对数据流中特征演化场景下数据流挖掘算法需要解决复杂的优化问题以及没有考虑概念漂移的问题,本文提出一种基于微簇结构的特征演化学习算法框架:FEMC。其基本思想是从度量学习的角度出发,学习一个保留特征上的权重向量,将消失特征包含的信息压缩到保留特征上,使得原特征空间上的模型仍然有效。并结合懒惰学习模型,将FEMC分别应用到数据流分类和聚类任务上。FEMC为提高学习的可靠性和学习算法在数据流上的可适应性提供了有效的支撑。