增量学习作为机器学习的一个重要研究方向,随着大数据时代的到来,由于其不依赖全部样本,只利用和保存样本特征、概念或代表性的样本,能有效实现对样本的约减并从新样本中学习到新的知识,在解决内存限制和重复学习问题上有独特优势,被视为大数据问题的一种重要且有效的解决办法。气味是物质的重要特征之一,电子鼻技术是一种基于仿生嗅觉原理的新兴无损气味检测技术,相比于传统的化学、光学检测方法,其具有快速、准确、客观,便捷的优点,是仿生嗅觉领域中的研究热点。随着“工业4.0”时代的到来,智能化已成为未来工业的主要发展趋势。目前我国对工业烘烤中的智能化研究较少,烘烤过程主要靠人的经验和自动化机器相结合实现,其与真正的无人智能自动烘烤相差较远。本文针对烟草工业的重要环节——烟叶烘烤中的智能化、自动化水平低问题,研究了实现烟叶自动智能烘烤的方法。立足于自主研发的烘烤信息化操控平台,利用电子鼻、摄像机等采集设备,无损收集了烟叶的气味,图像和水分信息,探讨了烟叶特征在烘烤过程中的变化规律,并结合收集到的烘烤师调控烘烤工艺曲线信息,建立了由烟叶特征信息预测烘烤工艺参数的机器学习网络模型。同时,针对不同品质的烟叶在烘烤中的复杂性,研究了应对该情况下的处理方法——增量学习。由于烟叶烘烤预测网络是一类回归预测网络,本文主要研究了基于支持向量回归机的增量学习方法。在分析了现有基于支持向量的增量算法缺点及烘烤学习样本增量特点后,提出了使用自组织竞争网络(SOINN)获取样本的拓扑节点信息,再利用加权支持向量回归机对数据进行加权训练的方法。该方法能较好地保留原始数据的特点并减弱一般基于支持向量的增量模型在增量学习中的缺点。针对SOINN网络在增量批数据概念漂移情况下存在的问题提出了相应的改进处理方法。算法在人工sin函数数据集、UCI数据集及实测数据集下测试并验证了效果。最后立足于已有的智能烘烤控制平台,设计了在实际应用中的烟叶智能烘烤系统工作流程,为实现智能化烘烤提供了借鉴与参考。