最近,在大数据和从数据流中学习的情况下,增量学习和在线学习越来越受到关注,这与传统的完全数据可用性假设相冲突。一般来说,传统的假设是所有任务的训练数据始终可用。然而在实际应用中,在构建统一的视觉系统或逐步向系统中添加新功能时,如果涉及连续输入数据流的在线服务。任务数量不断增加,对此类数据进行存储和重新训练变得不可行,增量学习被认为是解决上述实际挑战的有希望的解决方案。研究表明,增量学习存在一个基本困难:即灾难性的遗忘。根据新数据调整模型通常会导致以前的任务或类别的性能严重下降,生物有机体拥有可以持续顺应环境从而不断学习的能力,而灾难性遗忘导致人工智能体缺乏这种表现。为此,本文针对灾难性遗忘的问题,提出基于R-EWC改进的增量学习方法。R-EWC（Rotated-Elastic Weight Consolidation）基于弹性权重巩固,通过降低对旧任务重要参数的学习率来实现增量。然而,R-EWC将参数空间进行旋转,更好地拟合了任务,增量能力进一步得到提高。同时,我们的研究表明,旧数据与新数据之间的权重变化是导致此问题的关键原因。对权重进行一定程度的约束,有可能克服这种局限性,并可训练出可以维持他们长期未经历任务的网络。我们在R-EWC旋转弹性权重巩固的基础上,添加多重权重的约束,消除权重量级和混淆带来的不利影响,有选择地对任务重要权重的学习率进行降低,以记住旧任务的知识。通过解决一组基于Mnist手写数字和Cifar数据集的分类任务,证明了我们的方法是有效的。将其他方法作为基准进行类比,多重权重约束的方法在分类精度和鲁棒性上都有较大幅度的进步。此外,本文还简要分析了增量学习的最新研究现状,详细阐述了增量学习的定义、分类和意义。并对增量学习的基本方法和目前基于深度神经网络的先进方法进行总结和展望,对推动增量学习的研究起到一定的作用。