概念是对特征的组合而形成的知识单元,概念的表示,概念的学习以及概念的运算对于拟人思维的人工智能十分重要。概念具有模糊性,不能简单地采用数值对其进行量化。模糊语义细胞模型很好地解决了表示问题,一个模糊语义细胞L=＜P，d，δ＞包含对典型样本的原型描述,以及对其余样本有关典型样本基于距离的分布描述。本论文的重点集中在模糊语义细胞的学习算法上。现有的模糊语义细胞学习算法皆为离线模式,导致学习的结果严重地依赖于先决样本集合。并且,一旦学习完成,将无法根据新样本对细胞进行更新,必须将新样本加入原样本集合,重新进行一次完整的学习。离线模式限制了模糊语义细胞的学习能力,使其无法面对现实应用中大规模的存在变化的数据潮流。因此,本文提出了模糊语义细胞的增量学习算法来解决已有算法的弊端。论文的工作总共分为两个部分。第一部分,本文改进了现有的模糊语义细胞学习算法,使其能更好地为增量学习提供初始态的模糊语义细胞。考虑到概念表示的可行性、计算的复杂性和算法在指数分布族成员中的可推广性,本文选取了指数分布作为细胞的粒度分布。并且对于已有的多模糊语义细胞的学习算法,本文调整了它的目标函数,使其学习目标更贴合“提取准确的概念”而非“准确地描述样本集合”。针对影响学习结果的原型初值选择和调节因子λ,本文也进行了算法上的改进以及合理地推断。第二部分,本文正式提出了模糊语义细胞的增量学习算法。针对单模糊语义细胞至多模糊语义细胞、单样本至多样本以及有监督至无监督,本文提出了七项有关模糊语义细胞更新、合并和新建的规则。并且,本文提出了两种更新模糊语义细胞的思路。近似思路遵循细胞形态近似原则、样本隶属度提升原则以及语义明确原则,是一种较为保守的更新方式,而生成思路则与学习算法一致,遵循合理粒度原则和最大熵原则,是一种更注重整体的更新方式。实验证明,本文所提出的模糊语义细胞的增量学习算法具有较强的鲁棒性,能较好地应对新样本加入所产生的各种情形,并且通过增量学习更新后的模糊语义细胞,仍能保持其在概念表示上的优秀表现。