随着计算预算和数据可用性的空前增加,深度模型在目标识别任务中取得了优异的性能。然而,机器学习机制仍然无法与认知学习相比,认知学习不仅可以持续地获取新知识并保存大部分经常用到的旧知识,还能在少量注释样本上构建高精度的识别能力。小样本类增量学习（FSCIL）是一种受认知学习启发的新兴机器学习范式,给定具有足够训练数据的基类和来自新类的少量可训练样本,FSCIL使用旧类训练一个表示模型,然后不断地使模型适应新的类。然而,FSCIL面临着超出传统学习范式的挑战。一方面,用新类微调模型会扰乱旧类的特征分布,从而导致“灾难性遗忘”。另一方面,仅使用来自新类的少数样本进行训练,将使得模型偏向于旧类,从而导致分布崩溃和模型过度拟合。针对上述问题,论文研究利用少量样本进行增量学习的能力,并解决“灾难性遗忘”和过拟合问题。针对“灾难性遗忘”,论文提出一种“避免近期偏好的自学习掩码分区增量学习”方法,简称ASPIL。它包含“区域隔离”和“区域集成”两阶段,二者交替迭代实现持续的增量学习。“区域隔离”利用剪枝技术独立新学习过程以减少对现有知识的干扰。“区域集成”采用特征掩码和双分支信息融合方法以达成统一的、高精度的认知。为评估所提出方法的效用,在增量学习基准数据集上系统地进行了消融实验,并与最新的一系列知名方法进行了比较。实验结果表明,ASPIL提高了人工神经网络的记忆能力,与最新知名方法相比识别率平均提升了5.27%以上。针对FSCIL的过拟合问题并结合上述“灾难性遗忘”的研究成果,论文进一步提出了一个“基于VAE采样回放的元小样本类增量学习”网络,简称VMIL。VMIL在增量学习过程中以在元训练集上训练的深度网络来快速适应新任务,并接受蒸馏损失和间隔损失的约束,以缓解“灾难性遗忘”和避免类间混淆。VMIL还使用隐变量的特征分布来召回旧类样本。隐变量通过变分自动编码器进行降维,然后存储这些隐变量来扩展增量类的特征表示能力并减少过拟合。论文提出的VMIL方法为“灾难性遗忘”和过度拟合问题提供了系统的解决方案。实验表明,VMIL在基线方法上显著改进,达到了新的技术水平。