虽然，目前我们还不知道怎样使计算机和人一样具备强大的学习能力，然而近年来机器学习无论在应用、算法、理论，还是生物系统的研究中都已经取得了令人瞩目的进步。增量式学习方法一直是这一领域一个重要的研究课题。 决策树学习是应用最广泛的归纳推理算法之一。决策树通过一个简洁的树型结构代表了原始数据的信息。它潜在的预测能力以及它的可理解性，很大程度上取决于学习算法是否能够简洁地概括这个结构。对于一棵决策树中不具有预测能力的部分，应该终止它的生长或者对其进行修剪。 决策树预修剪学习算法通过分析决策表的不确定性，用条件属性对决策表的整体确定性来控制决策树的预修剪过程，实现了一种数据驱动下的自主式知识获取算法，但此算法只是针对静态数据的。在此基础上，本文研究了增量式知识获取问题，提出了决策树预修剪的自主式增量学习算法。