人类和动物有能力在其一生中不断地获取并微调知识。与之类似,从连续的信息流中学习的能力对于学习系统及在现实世界中发挥作用的自主控制至关重要。然而,对于机器学习和神经网络模型来说,连续终身学习仍然是一个长期的挑战。目前最先进的深层神经网络模型普遍存在一个缺点,即这种模型只能从固定批次的训练数据中进行学习与训练,在通常情况下不考虑任务数量使得学习训练的内存不足并导致对先前训练知识的遗忘,这就导致了灾难性遗忘问题(catastrophic forgetting)。针对在连续学习中使用神经网络而存在的灾难性遗忘问题,本文在使用传统梯度下降的基础上,结合了门函数与注意向量机制,并且使用了进化策略进行算法的优化,不仅缓解了连续学习中的灾难性遗忘问题,而且解决了传统方法所存在的局部最优与网络结构冗余问题。在此基础上,本文还提出了使用生成对抗网络生成与当前正样本相似的对抗样本进行训练,解决在训练过程中负样本缺失的问题,从而提高当前任务模型学习的分类精度。这些策略使得在经典的随机排列乱序任务中,灾难性遗忘问题得以解决。并且在与国内外最新研究方法相比,在传统的评估指标遗忘率和识别率上都取得了最好的结果。