目标识别技术要求分类器具有增量学习的能力,本文针对现有分类器的缺陷以及已有的增量学习算法的弱点,提出了一种改进的最小距离分类器,并给出了相应的增量学习算法。该研究为模式分类技术、目标识别等提供了重要的技术手段。本学位论文简要介绍了几种常用分类技术的增量学习算法,分析了各自的优缺点。以探索的方式提出了一种改进的最小距离分类器,可以克服量纲和类别的作用域大小对距离度量值的影响,对特征的相关性也作了考虑。在此基础上提出了一种两阶段训练法:第一阶段,先进行同类别样本之间的k -均值聚类,每一类样本聚合为若干个子集,获得初步的子集中心和协方差阵;第二阶段,再进行不同类别的子集间的调整,消除了分类器内部结构的相互干扰,保证了分类器对已学习的样本有着极高的识别率。提出了基于改进的最小距离分类器的增量学习算法,在学习已有样本后,分类器能够通过不断学习新的样本来提高分类能力,并且不忘记或者尽可能不忘记已经学习过的知识,适应“只知部分不知全局”的情况和动态的环境。给出了一种简单有效的样本筛选算法,只保留具有代表性的少量样本在增量学习时帮助分类器“复习”原来的知识,保持对原有样本的识别能力,大大降低了存储消耗和重新训练的计算开销。同时,生成了人工数据对分类器的增量学习能力进行了实验研究。文章最后对本学位论文进行了总结,概括了主要研究成果,认为本文提出的算法是实用有效的。