随着5G通信时代的到来,人工智能、云计算和物联网等相关行业的不断壮大,越来越多的数据以流的形式增长。由于数据随时间不断涌现,因此难免出现结构分布改变的现象,即概念漂移。已有模型的预测性能会因数据流中存在的漂移而大大降低。因此,对数据流中漂移的检测和分类算法的研究具有重要意义。在漂移检测方面,大部分研究是在样本标签完整的前提下开展的,但由于数据标记成本大以及难以实现全部标记等现实因素的存在,限制了有监督的漂移检测方法。为减少对样本标签的需求,本文针对半监督学习,提出了一种模糊边缘密度漂移检测方案。在适应漂移阶段,现有的自适应模型主要关注漂移发生后的模型更新,本文将更多的焦点放在初始训练集,充分挖掘其中的有效信息。本文的主要贡献如下:1.提出了基于模糊边缘密度的漂移检测算法。由于边缘数据集并没有明确清晰的界限,因此我们利用模糊集的理论,将边缘数据集的边界“软化”,根据边缘数据集的隶属函数对每个样本加权,计算模糊边缘密度。这种方法更加准确的描述和量化了分类模型对数据流中样本的预测置信度,充分利用了边缘间隔内数据的分布情况。我们通过在合成数据集上进行实验,分析了该算法在漂移检测中的表现性能。实验表明加入模糊集的漂移检测模型有效地减少了误报率。2.提出了一种结合特征选择子空间和boosting提升学习的漂移自适应集成方法,将模型训练的工作重心放在初始训练集上。从特征属性和误分类样本两个角度充分挖掘初始训练集中的有效信息,从而提高了模型的预测准确度,同时可以灵活应对后续的漂移自适应。实验证明我们的算法在准确度方面取得了较好的表现,且具有一定的稳定性。