随着互联网技术的高速发展,各个领域的数据迅猛增长,我们进入了大数据(Big Data)时代。然而,数据量的增长不只带来了丰富的信息资源,更高的数据维数往往也相伴而至。为了能够顺利的对高维数据进行处理分析,就需要预先对数据进行降维处理。传统的数据降维算法一般采用批量方式(Batch Model)进行训练,这种训练方式需要在训练之前将所有样本数据载入内存;随着数据规模的不断扩大,传统的数据降维算法会因为所需的内存过大而无法使用。因此,如何让传统的数据降维模型适应并处理海量的高维数据是大数据时代研究的焦点之一。对于样本数量过多的情况,增量学习(Incremental Learning)技术是有效的解决办法之一。作为一种增量数据降维模型,增量式偏最小二乘(Incremental Partial Least Squares,IPLS)将增量学习技术与偏最小二乘模型相互结合,较好的解决了大规模数据的降维问题。但是,IPLS模型以单个样本为单位进行模型的更新,导致模型的计算效率不高、训练时间较长。针对这一问题,本文基于现有研究的基础上提出了一种块增量偏最小二乘(Chunk Incremental Partial Least Squares,CIPLS)算法,主要的创新性工作为:基于数据分块更新的思想对IPLS算法进行扩展,提出了一种块增量偏最小二乘算法。CIPLS模型将新增的样本数据划分为若干个数据块(Chunk),再以数据块为单位进行模型的在线更新,从而降低模型的更新频率,缩短训练时间。本文在K8版本的p53蛋白数据集和路透文本分类语料库上进行了大量的CIPLS算法与已有算法的对比实验。实验结果表明,本文提出的方法明显提高了增量式偏最小二乘算法的计算效率,大幅度缩短了训练时间,验证了块增量偏最小二乘算法的有效性。