当今数字时代,每时每刻都有大量的数据生成。大多数图像数据以流的形式被人们捕获,现有的有监督学习方法很难处理这些数据。如在手写体数字识别任务中,人们需要对各种手写的数字进行识别,目前针对数字图像流分类的方法都有一些缺点,即它们要么需要大量手写体图片训练分类器,要么很难适识别到来的图像。因此,针对连续流入的图像设计一种能处理概念漂移、标签稀缺的高效分类算法就显得尤为重要。论文围绕在线半监督学习的图像数据流分类进行研究,主要内容如下:1)为满足图像分类的高效需求,设计了一种终身学习的DRB分类器（LifeLong Learning Deep-rule Based Classifier）。该分类器利用有限的标记数据构建模型,对流入的未知数据进行分类和学习以在线更新分类器,从而不断提高分类的精度。整个过程是完全透明且可解释的,并且可以逐个或逐块在线更新分类器。通过实验,在多个公开数据集上的结果表明所提算法的效率均高于半监督DRB分类器（Semisupervised Deep-rule Based Classifier）,与对比算法相比也表现不俗。2)针对计算机内存资源有限问题,终身学习DRB算法提出了一种新的数据剪枝策略。在数据流入过程中统计每一类模糊规则中数据云的数量。当一类规则中的数据云过多时,通过计算规则中所有数据云的全局密度用以剔除边缘数据云,保证数据云的数量始终在一定范围内。这种方式使得分类器在内存资源有限的情况下仍可以做到在线学习。3)为了使分类结果更加精细,针对分类结果不可靠的数据,终身学习DRB算法提出了“数据云引力”的概念。对于某一个混淆数据,通过比较其近邻数据云的质量和距离计算出每一个近邻数据云对该数据的引力,通过比较每一类规则对数据的引力大小得出更准确的分类结果,提高了分类准确率。实验结果也证明了数据云引力的有效性。与对比方法在多个公开数据集上进行对比实验后,结果证明了终身学习DRB算法具有很强的解释性和实用性。