虽然目前基于深度学习的图像分类算法在大规模数据上取得优异的成绩,但是目前主流的深度学习算法主要基于批量训练,而批量训练算法难以应对动态变化的数据流,因为其在面对新到来的数据时,需要将历史数据与新数据混合作为一个整体对模型进行重新训练,导致模型训练周期长、计算资源和存储空间消耗大。因此,增量学习逐渐成为了研究人员关注的焦点。增量学习的目标是让模型能够像人类一样进行渐进式学习,不仅可以连续不断地处理新到来的任务,而且同时能够在有限的存储空间和计算资源的情况下保持处理过去任务的性能,解决批量学习难以应对动态数据流的问题。基于这一背景下,本文针对基于样本保留策略的增量学习方法展开研究,主要贡献如下:（1）本文通过分析目前主流的基于输出蒸馏技术的类增量学习算法所存在的灾难性遗忘问题和新旧类别样本不均衡问题,对输出蒸馏技术进行改进,提出了基于指导性输出蒸馏的类增量分类方法（Instructive Knowledge Distillation Class Incremental Learning,IKD-CIL）。通过让新模型学习有针对性地学习旧模型正确的输出而过滤错误的信息,缓解模型的灾难性遗忘,同时结合在线难例挖掘方法,挖掘信息量较高的样本进行有针对性的再训练,解决新旧类别样本不均衡问题。（2）本文通过分析基于特征蒸馏技术的类增量学习算法所存在的缺陷,针对模型的可塑性与稳定性的平衡问题,提出了基于特征关系约束的类增量分类方法（Feature Relation Constraint Class Incremental Learning,FRC-CIL）。从表征学习入手,利用旧模型所反映的特征关系结合对比损失函数指导新模型的特征关系学习,使样本间的类内距缩小,类间距扩大,让新旧类别的特征表达更具区分度,从而平衡类增量模型的可塑性和稳定性。本文将IKD-CIL算法、FRC-CIL算法与当前主流的基于样本保留的类增量算法在CIFAR100、Image Net100和Image Net1000图像数据集上进行实验对比分析。实验结果表明IKD-CIL算法在初始类别较少的情况下增量性能最好,FRC-CIL算法在三个数据集上均取得了当前最好的性能表现。