如今机器学习技术发展迅速,已经应用到了许多领域并且也取得了十分优秀的成绩,但不断增加的实际需求对机器学习提出了更高的要求。传统的机器学习算法依赖于大量的人工标注数据来构建模型,但数据的标注不仅需要耗费大量的时间,还需要许多具有专业领域知识的人力资源,因此常常会出现只有少量标注数据,大量数据是未标注的情况,并且实际场景中的数据也常常会是持续到达,数据类别的定义会随着时间而发生变化,即发生概念漂移。为了减少数据资源的浪费,进一步利用未标注数据,这篇论文探究了样本类别与特征间的联系,提出了一种基于局部表示系数的最近邻分类算法LRCBNN。LRCBNN利用所有标注与未标注数据,通过挖掘数据特征空间的整体分布情况,为查询样本找寻近邻,并用稀疏表示分类算法得到分类结果。为了同时缓解现实场景中标注数据稀缺和概念漂移问题,这篇论文以音频分类任务为例,设计并实现了一种应用于分类模型的半监督连续学习框架SSCLF,并介绍了框架软件的设计思路与实现细节。SSCLF首先利用少量的标注数据初始化分类模型,然后每有一批新数据到达,经主动学习及主动学习增强过程,进而对现有模型进行训练更新,以达到持续提升模型性能的目的。其中的主动学习增强算法采用LRCBNN的近邻搜索方法,依据主动学习获得的知识,从未标注数据中筛选近邻样本并进行伪标注;然后采取依次使用伪标注数据和标注数据的半监督训练方法。这种方法可减少对标注数据数量的依赖,有效缓解灾难性遗忘。最后,通过在两个音频数据集上的实验,验证了SSCLF能在不增加人工标注代价的条件下,比其他连续学习框架更快速地提升模型性能。