人类的学习过程是“终生的”和“开放式的”。一方面人能够不断地从新的数据样本中获取到新的知识,且不会遗忘已经掌握的知识;另一方面人也能够有效利用已有知识来解决未知问题或者学习新的事物。为了模拟这种人类学习数据样例的方式,本文提出了一种新的机器学习范式:开放式终生学习。不同于其他传统的机器学习范式,开放式终生学习能够以在线的方式同时对有标签和无标签数据样本进行学习,可以从新的样本中不断学习到新的类,并且能够在学习的任何时刻对未知标签的样本进行预测。在当今数据样本不断翻新的大数据时代,这种新型机器学习范式将有望在数据挖掘、目标识别、智能机器人等领域发挥一定的应用潜能。本文将从无监督与半监督两种不同的学习环境下来解决所提出的开放式终生学习问题。在无监督学习环境中,本文提出了一种基于SOINN神经网络与密度峰值点分析(SDPA)的学习算法。该算法能够以在线的方式对流数据进行聚类,并且当数据分布发生变化时算法能够增量式地生成新的聚类来表示新的分布。对于更加复杂的学习环境——半监督学习,本文提出了一种自组织增量图(SOIG)算法。该算法能够同时在线地学习有标记和无标记数据样本,构建知识的图模型表示,并不断从新的学习样本中学习到新的类。在实验部分,本文通过人工数据和真实数据实验以及应用演示系统验证了两种算法的终生学习能力以及开放式的学习特点,并对算法的性能进行分析。本文的主要工作包括:1.提出一种新型机器学习范式:开放式终生学习。2.提出一种SDPA算法来解决无监督环境中的开放式终生学习问题。同时,提出了一种基于像素点聚类的图像分割算法来验证SDPA算法的有效性。3.提出了一种SOIG算法来解决半监督环境中的开放式终生学习问题。4.基于SOIG算法设计了一种机器人指令开放式终生学习系统。