随着信息化时代的到来,每天产生的数据量逐渐增多。传统的人工智能技术通常需要以批量训练的方式来处理这些数据,然而这种批训练的方式对于持续的数据流来说,模型需要重新训练所有数据以避免灾难性遗忘,因此,人们需要利用更灵活的策略去处理这些海量数据,从而更好的为社会服务。增量式的学习策略可以很好的解决这种持续数据流的问题,它不仅缩短了大量的训练时间,而且能够解决灾难性遗忘问题。然而,目前学术界的增量学习算法在解决灾难性遗忘问题时,通常过分依赖系统的内存以及庞大的网络结构,难以部署在资源受限的边缘设备上。在此背景下,本文研究了在资源受限场景下的增量深度学习问题。在资源受限的条件下,增量学习通常需要应对两种典型场景:存储资源受限的边缘设备以最小识别精度完成增量学习和资源较好的边缘设备以高识别精度完成增量学习。首先,在第一种场景下,受限于边缘设备的存储,如何在满足各任务最低识别精度的前提下,完成增量学习的同时,最大程度地压缩深度神经网络模型是该场景下的关键问题。其次,由于最大程度地压缩会带来较大的精度损失,这种压缩策略对于需要高精度识别的场景来说是不可取的,甚至是危险的。因此,在第二种场景下,如何为模型设计增量学习策略,使其能够在一定的存储资源前提下尽可能的提高增量任务的识别精度,成为该场景下的主要挑战。针对以上问题和挑战,文本的主要工作内容及创新点如下:（1）基于压缩、挑选和扩展的增量深度神经网络方法本文提出了CPE（Compacting,Picking,and Expanding）增量深度学习算法,其主要包括两个阶段:预处理阶段和模型增量阶段。在预处理阶段,首先,通过引入软注意力模块来生成通道统计量;其次,借助统计量来挑选重要通道;最后,去除冗余通道,为模型增量阶段提供紧凑的初始增量神经网络。在模型增量阶段,采用固定旧知识权重、扩展模型和渐进性剪枝的策略来实现增量学习过程。实验结果表明,CPE不仅可以避免灾难性遗忘,而且在生成的紧凑模型上实现了增量学习。并且,相比较目前能够生成最小增量模型的CPG（Compacting,Picking,and Growing）方法,CPE增量模型中各任务的权重分配更优,并且识别精度达到78.4%,逼近传统深度神经网络的批训练识别精度78.6%。更重要的是,在相同精度要求下,CPE得到的增量模型体积是CPG模型的0.64倍。（2）基于通道区分的增量深度深度神经网络方法本文提出了ISLM（Incremental Structure Learning Model）增量深度学习算法,它的核心思想是根据注意力模块提供的注意力统计信息,把模型通道区分为共享通道和辅助通道。其中,在共享通道上,本文采用微调的方式训练增量任务。当增量模型无法满足当前任务的精度需求时,在辅助通道上,本文在其对应的通道上添加特定滤波器以提升性能,与此同时,对应通道的参数保持不变。模型训练结束后,对增量模型进行通道剪枝,剪枝时保留添加了滤波器的通道,并且使用各任务的特征张量来对剪枝模型进行微调。实验结果表明,ISLM相比于其他增量深度学习算法,单个任务的识别精度最低可提升1.2%,最高可提升5%,在VGG16和Res Net50上的平均精度分别达到76.2%和77.92%,优于其它增量学习方法。此外,相比较CPG,在相同增量模型大小的前提下,CPG的识别精度比ISLM高1.77%,但是CPG能够达到的最大精度却比ISLM低1.61%。