现实世界中众多应用如实时监控系统、社交媒体等在源源不断地产生大量实时、快速到达的数据流,基于这种动态的数据流增量构建分类器是目前数据挖掘中热点问题之一。然而,数据流通常具有不平稳性,即随着时间的推移,数据的分布会发生改变,这种现象称为概念漂移。概念漂移的存在常使得分类模型的预测性能下降,给数据流的增量学习过程带来了挑战。尽管已经有研究工作致力于概念漂移数据流的学习,但仍存在一些亟待解决的问题:第一,相关研究工作通常致力于特定演变类型的概念漂移,对于多种演变方式混合出现的概念漂移数据流适应不足;第二,数据流往往会存在特征空间变化型概念漂移,动态变化的特征空间导致决策边界形式不断变化,而现有方法在计算效率以及对动态决策边界形式的适应性上存在不足。为了解决以上问题,本文研究了这种复杂概念漂移环境下的增量学习策略,具体研究工作如下:(1)提出了一种融合准确性和多样性的增量式集成学习算法DAWE,用于处理混合演变类型的概念漂移。该算法融合了分类器的分类准确性和多样性来计算基分类器的价值,通过从多方面综合度量分类器的价值来帮助集成模型应对多种漂移形式。同时,为了感知概念漂移的演变形式,本文基于主成分分析对漂移幅度进行量化分析,以此来自适应地调整计算分类器价值时的融合权重。实验结果表明,DAWE在含有多种概念漂移的数据集上相比目前最好的相关算法分类准确度平均提升了1.14%。(2)提出了一种面向动态特征空间的增量学习算法OLLDF,用于处理特征空间变化型概念漂移。该算法由一个全局线性模型和多个局部线性模型构成,用于适应决策边界形式的变化。通过对实例的特征集划分,以及综合划分后的特征对每个模型在线更新,使OLLDF可以在动态特征空间下学习。为了提高计算效率,OLLDF基于在线更新的特征方差来计算模型优化时的特征集权重。实验结果表明,在含有特征空间变化型概念漂移的数据集上,OLLDF在分类准确度和运行效率上均显著优于目前最好相关方法,分类准确度平均提升了9.93%。(3)将以上算法应用于击键数据流场景中的异常用户鉴别任务,以验证本文算法的应用价值。文中设计了两种特征提取方式分别表示单次击键特征和击键序列特征,并在此基础上分别基于DAWE和OLLDF增量学习异常用户鉴别模型。实验结果表明,DAWE和OLLDF在准确度和F1值上均表现出了良好的性能。以上工作表明,本文提出的算法可以有效处理混合演变类型的概念漂移以及特征空间变化型概念漂移,并且具有一定的实际应用价值。