卷积神经网络(Convolutional Neural Networks,CNN)模仿人类大脑视觉系统处理图片的方式,自动提取图像特征进行图像分类,在计算机视觉领域取得了巨大的成功。相比于基于数字图像处理与几何光学的传统计算机视觉方法,以及统计机器学习方法,往往具有更强大的特征学习和表示能力。但传统的卷积神经网络是针对的静态训练集进行训练的,数据一次获得并不会发生变化。在实际应用中,一次性获得所有训练数据是很困难的,并且数据集的特征分布可能会随着时间发生变化,甚至会出现新的类别。面对这种情况,传统的深度神经网络主要是通过参数微调的方式来适应新样本的特征变化,但是这种方法只能保留最后一次训练获得的分类知识,忘记曾经学习得到的分类知识,从而导致灾难性遗忘。但是当数据集状态发生变化时,重新训练深度网络模型,不仅会浪费大量的时间,而且需要很多内存资源。因此,将深度卷积神经网络与增量学习相结合是目前的一个研究热点。基于深度卷积神经网络的方法以及增量学习的理论,本文的主要贡献包括以下几个方面:1.提出了一种基于深度卷积神经网络的双分支迭代深度增量学习方法。该方法使用主网络存储已获得的分类知识,使用分支网络学习增量数据中的新类知识,以减轻增量学习过程中的灾难性遗忘。实验结果表明,相比于其他主要的增量学习方法,提出的方法在模型的分类性能和训练时间等指标上均具有较明显的优势。2.提出了基于密度峰值聚类的典型样本筛选方法。该方法使用密度峰值聚类的方法获取各类别中的中心样本和边缘样本组成典型样本集合,在双分支迭代深度增量学习方法训练过程中加入到训练样本中,有助于主分支网络增强对已学习知识的记忆。3.提出了一种基于增量支持向量机(Support Vector Machine,SVM)的保留集构建方法。该方法在上一章的基础上,结合了传统机器学习的思想,将传统的SVM调整成为增量SVM,作为双分支网络中的保留集提取算法。相较于之前的聚类算法来说,增量SVM可以更好的提取出已学习样本中的分类知识,减少冗余样本,保存更多有效的类别知识,提高方法的分类精度。