近年来，随着网络带宽的不断提升和传感、存储设备的持续发展，数据收集
越来越容易，而相应的数据处理和分析技术正面临着前所未有的挑战。如何利用
持续增长的数据资源进行连续自适应的模型学习已成为亟待解决的难题，引发
了学术界和工业界的广泛关注。当身处海量的动态数据中时，人类利用持续获取
的新知识来不断适应新的环境变化，且整个学习过程仅在少量的教师信号指导
下完成。本文试图模拟这一认知过程，对在线半监督学习、在线主动学习及连续
自适应等机器学习技术进行研究和探索，提出了一系列基于原型的在线自适应
学习方法并将其应用于分类任务中。本文的主要工作和创新点归纳如下：
  为了减少数据流中样本标注的负担，提出了一种基于原型的在线半监督
学习方法，称为 OSS-LVQ。在该方法中，我们假设属于同一聚类的样本具有相
同的标签信息（即每个类别由若干个聚类簇组成），将有监督的原型分类模型和
无监督的原型聚类模型纳入统一的学习框架，使得提出的方法既能够利用有标
记样本直接学习分类边界，又能够利用无标记样本进一步提升分类性能。我们在
手写体字符图像、自然场景图像及文本数据集上进行实验，验证了该方法的有效
性。
  为了探索开放环境下的连续学习问题，提出了一种基于原型的半监督类
别增类学习方法，称为 EvolvingProto。该方法首先结合概率原型模型和从粗到精两阶段学习策略自动从无标记样本中发现新类别样本；其次基于原型聚类方法
选择少量代表性样本请求标注，最后记忆有代表性的模式实现类别的增量学习。
实验结果表明，该方法能够有效地从无标记数据流样本中发现新类别样本，且仅
对少量样本进行主动标记请求即可实现类别增量学习。
  针对数据流中样本风格的连续变化问题，提出了一种基于原型的自适应
学习方法，称为 CIALVQ。该方法利用变换矩阵建模样本风格，并根据风格变化
自适应的调整变换矩阵。最终，学习模型将所有样本映射到统一的风格空间进行
分类。为了减少标注代价，我们采用主动学习方式更新分类模型。在手写文字数
据集上的实验表明，该方法能够利用局部风格一致性有效提升手写体样本的分
类性能。同时，当书写人发生变化时，模型能够自动适应风格变化。