随着近些年来信息化科技的飞速发展,人们产生和获取的数据也在呈指数型爆炸增长。这些海量数据如何进行深度挖掘,如何更好地被利用便成了一项重要的科学研究。机器学习或者深度学习是一种利用计算机模仿人脑学习,对图像进行特征表达的新技术。在现实中,许多数据是不间断获得的,这与采用一次性批量学习的传统机器学习相矛盾。这就急需一种增量学习方式,能够不间断地从新数据中学习到新知识,同时保留已学过的知识。本文首先提出了一种新的预定义均匀分布类中心损失函数(PEDCC-Loss)用于卷积神经网络,使得各类别图像特征类间更离散、类内更聚集,在图像分类和人脸识别中都达到了很好地识别率。其次,以该损失函数为基础提出了基于SVDD的增量分类器,利用卷积神经网络进行特征学习和映射,然后使用支持向量数据描述(SVDD)对图像特征构建单类超球体,通过超球体的增量实现类别增量分类。该算法无需提供负样本就能构建超球体作为分类器来对样本进行分类;每个超球体相对独立,进行分类时不会相互影响,大大增大了增量学习系统的鲁棒性。最后,又提出一个增量网络算法,利用多个卷积神经网络,通过PEDCC-Loss独立训练各自的类别,最后组合多个网络提取特征进行整体分类,实现网络的增量学习。该算法集成多个网络,每个网络独立训练不同数据,互不干扰,实现了真正意义上的增量学习。为了提高类别增量学习算法的最终分类性能,在算法的各个过程都进行了优化。本文利用卷积神经网络进行图像特征学习和表达,为了提高提取的特征质量,通过改进损失函数来优化图像特征;在分类器增量过程中,SVDD选用合适的惩罚系数和核函数;在网络增量过程中,通过PEDCC-Loss独立训练网络,使得各自类别得到训练。最后都实现了增量学习分类。