图像分类是深度学习领域最热门的研究方向之一。当数据量不断增长,数据新类别不断出现时,传统的图像分类算法面临着新的挑战。虽然基于神经网络的分类算法相较于传统算法在准确率上有了很大提升,但是在增量学习新类别时,网络的整体表现会急剧下降。针对上述问题,本文从扩增增量训练集和提高网络增量学习能力的角度分别进行了研究,提出了基于优选保留集的增量学习算法和树状增量学习网络:1.基于优选保留集的增量学习算法。针对卷积神经网络在增量学习中分类精度损失严重的问题,一种有效的方法是使用新样本和旧样本的保留集联合训练。通过在保留集上的重新训练,实现旧知识的复习。为了使保留集样本最大化表征旧样本集,保留集由三部分组成:使用SVMT结构,获得不同类别样本决策边界的样本;选取最接近类心的样本;使用K-means算法将当前类别样本聚类,选择簇心的样本。通过在保留集上的训练,使模型保留旧类别信息;通过在新类别上的训练,实现模型对新类别的学习。在CIFAR-100和ILSVRC2012数据集上的实验结果表明,算法能够有效缓解增量学习过程中的分类精度损失,有效提高增量学习的分类准确率。2.树状增量学习网络。在增量学习时,新类别样本会使网络参数发生改变,降低网络对旧类别的分类能力。针对固定结构的神经网络在增量学习中,对旧类别样本分类精度损失严重的问题,本文提出了一种动态结构的增量网络模型。当网络进行增量学习时,在一部分底层网络之上添加由少量卷积层组成的网络分支,同时固定旧网络分支的参数,以保存旧类别的分类信息。通过计算旧网络分支上的蒸馏损失,实现知识从旧模型向新模型迁移;通过计算在新分支上的分类损失,实现模型对新类别的学习;通过多分支特征融合,判决,实现模型分类过程。最后通过数据均衡和模型微调提高算法分类准确度。本文提出的增量网络可以实现端到端的训练方式,易于实现增量学习。在CIFAR-100和ILSVRC2012数据集上的实验结果表明,该算法提出的网络模型是一种有效的增量学习网络;该算法可以有效提高卷积神经网络在增量学习中的分类能力,有效缓解增量学习中的分类精度损失。