У дисертаційній роботі розв'язана нова актуальна задача нечіткої кластеризації часових рядів в інтелектуальному аналізі потоків даних. Об'єкт дослідження – процес інтелектуального аналізу потоку даних у формі часових рядів. Запропоновано метод нечіткої кластеризації, який ефективно працює за умов перетину класів, не схильний до ефекту концентрації норм та працює в онлайн режимі з асинхронними нерівномірно квантованими часовими рядами за рахунок використання спеціальної цільової функції. Запропоновано послідовний онлайн метод кластеризації багатовимірних часових рядів, що базується на апараті гібридних систем обчислювального інтелекту, який дозволив вирішувати задачу кластеризації даних, які послідовно надходять на обробку з нерівномірними тактами квантування. Розроблено метод адаптивної імовірнісної та можливісної кластеризації, що базується на метриці спеціального вигляду, в основі якої лежить аналіз тангенсів кутів нахилу часового ряду, що дозволило спростити чисельну реалізацію методу та вирішувати задачу кластеризації нерівномірно квантованих часових рядів. Запропоновано модель робастної адаптивної ідентифікації нестаціонарних часових рядів у онлайн режимі надходження потоку даних, яка характеризуються простотою обчислювальної реалізації і стійкістю до аномальних викидів. Розроблені методи було програмно реалізовано та використано для ряду практичних впроваджень – зокрема у задачах моніторингу медичних даних в онлайн режимі.^UIn dissertation work the new actual task of unclear clusterization of sentinel rows is untied in the intellectual analysis of streams given. The object of study is the process of intelligently analyzing the flow of data in the form of time series. A fuzzy clustering method is proposed that works effectively under conditions of intersection of classes that are not subject to the effect of concentration of norms and works online with asynchronous non-uniformly quantized time series through the use of a special objective function. A sequential online clustering method for multidimensional time series is proposed, based on the apparatus of hybrid systems of computational intelligence, which made it possible to solve the problem of clustering data that are sequentially received for processing with non-uniform quantization cycles. An adaptive probabilistic and probabilistic clustering method was developed based on a special type metric based on the analysis of the tangents of the slopes of the time series, which made it possible to simplify the numerical implementation of the procedure and solve the clustering problem for unevenly quantized time series. Model of robust adaptive identification of non-stationary time series in online flow of data flow шіare presented, which are characterized by simplicity of computational implementation and resistance to anomalous emissions. The worked out methods were programmatic realized and used for the row of practical introductions – in particular in the tasks of monitoring of medical data in on-line mode.