在大规模、多样性的数据背景下,机器学习模型在各个领域发展迅速,取得了很好的模型效果和应用价值。如在计算机视觉（CV）产生的人脸识别模型,自然语言处理（NLP）领域产生的机器翻译模型等等,极大地便利和丰富了我们的日常生活。这些模型往往建立在静态数据基础上,通过准确、快速地提取静态数据特征实现回归或分类。基于数据形态不同,除传统的静态数据之外还广泛存在的数据类型是动态流式数据。此类数据通常在金融、交通等场景下以流的形式产生,数据样本的分布和所反映的信息随着时间和环境改变发生变化。这种样本的分布（样本携带的信息）随着时间、环境的改变而发生变化的现象,被称为概念漂移（Concept Drift）。概念漂移会引起模型性能的严重下降（如预测精度降低）,给机器学习研究及应用带来了巨大的挑战。近年来,MLOps（机器学习运维）作为一种针对企业中机器学习应用复杂性问题的有效解决方案,开始引起各界研究者的广泛关注。针对应用模型由于概念漂移引起的性能下降问题,本文基于MLOps的工程思想,深入研究持续训练（continuous training）方法,提升应用模型的实时性能,并在机器学习平台中得到具体实现和应用。本文具体研究内容如下:首先,对漂移检测算法进行研究和创新。通过比较历史数据流和当前数据流的数据分布差异,或者根据前一段时间数据流的统计特征变化,来衡量数据分布变化情况。通过漂移检测的结果来判断是否发生漂移,指导模型的升级或者更新,以保证模型的性能。其次,研究一种增量学习方法实现对知识的渐进式更新。对增量学习的模型进行设计,在训练方式上进行研究和创新。在此方法下,模型在能够加强和修正以前的知识的同时,又可以快速适应最新的数据分布。同时对增量学习的性能和资源成本进行对比和分析。再次,基于MLOps思想,结合对概念漂移的研究,设计实现了一套具有完整功能的机器学习平台。通过将持续训练的方法集成在平台上,实现了模型监控,模型升级,模型部署的自动化流程,并针对平台设计的关键组件和技术难点展开叙述。最后,在机器学习平台上,分别在两个发生概念漂移的实际应用任务（车流量预测和事件分拨任务）上进行了实验验证。在经过数据分析,模型设计和实验设计与执行后,通过实验结果得到以下结论:持续训练在保证甚至减少模型的训练和更新成本的情况下,有效减少了应用模型的人工维护成本。并且根据模型本身概念漂移程度不同,分别提升了20%和10%左右的模型性能。对于增量学习的方法,车流量预测模型各个性能指标均提升了30%,事件分拨任务的top1-accuracy指标也有约30%提升。验证了漂移检测算法和增量学习算法的有效性,以及自动化机器学习平台的实用价值。