人类能够在其一生中不断学习新知识并对知识进行优化,同时还能够保留先前知识,这种能力对于自动学习系统在现实世界中发挥持续自主作用至关重要。机器学习发展至今,很多地方超过人类,但要拥有这种像人一样能够连续终生学习的能力,依然是一个长期的挑战。目前,广泛运用的深层神经网络普遍存在只能从固定批次的单一任务训练数据中进行学习的缺点。在有多个任务时,由于不同任务的优化目标往往不同,或即使目标函数相同数据集统计规律也不同,在连续学习中旧的权重可能被新的数据覆盖,这就导致了灾难性遗忘（catastrophic forgetting,CF）。特别是针对不同姿态（如多角度全局旋转）的多任务图片样本数据,网络模型学习能力差、鲁棒性弱、遗忘现象严重,随任务数增多网络学习能力急剧降低。本文针对神经网络在连续学习中出现的上述困难,提出了DMRCN和HAT-GAL两种解决模型。在DMR-CN模型中,提出了一种新的动态存储路由策略,根据当前的输入集来控制胶囊网络（Caps Net）的前向路径。为了回忆以前的知识,在这些连续的任务之间维护一个二进制路由表。然后,集成竞争原型聚类的增量过程来更新当前任务的路由。此外,采用稀疏性度量来解耦不同学习任务之间的显著路由。在基于HAT（hard attention to the task）记忆力网络提出的HAT-GAL模型中,结合生成对抗学习（generative adversarial learning,GAL）的多任务连续学习方法,来提高模型的“记忆力”。将GAL嵌入HAT网络全连接层中,解决网络随着任务数增多学习能力降低以及对多姿态数据鲁棒性差的问题。同时,结合进化策略进行网络及参数寻优,有效缓解随着任务数的增多,导致参数冗余、易陷入局部最优、前知识被覆盖的问题。DMR-CN主要对高分辨率图片的多姿态变换具有很好的效果,并且任务数增加到十个后依然对先前任务有很好的测试精度,对新任务有很好的学习能力。HAT-GAL主要对小分辨率图像,有很好的普适性,并且效率高,鲁棒性能更好,适用于多种小数据集。