许多涉及视觉任务的高维大规模图像的现实应用,例如目标识别、追踪、图像分割和标注,都需要从不断到达的数据流中得到可区分性特征。在短时间内有一小部分数据可用是一种常见现象,而随着时间的迁移,不断有更多可以被利用的数据到来,因此需要以增量的形式将这些数据加入到训练模型中,而不是将所有的数据进行重新训练。这些新到来的数据包括已知标签的新样本数据或者并不知道其标签的新数据,并且针对不同的情况需要不同的增量策略。因此对于新的数据,以一种高效而稳定的方式逐步地更新模型,特别是对于高维或大规模的数据流,在计算时间和识别效率上仍非常具有挑战性。线性判别分析(LDA)在探索数据特征方面具有良好的性能,通过将数据降维,在很大程度上降低了分类方法的计算量。但目前已有的方法在求取LDA方法的最佳投影矩阵时,对计算时间和存储空间的需求仍很大。另外,这些方法大多只是考虑到增加已知标签的现有类和新类数据,而考虑到已知标签或不知标签的混合数据情况的方法少之又少。本文针对增量学习目前存在的增量情况不全面、计算量大、存储空间需求大的问题,依次提出了三种快速的判别分析方法及其增量版本。这三种算法是在LDA的基础上,逐渐地将更多的增量情况考虑进去,并不断地提高算法的效率。第一种方法基于两次QR分解的零空间LDA方法提出了其增量学习算法,在间接属性预测的零样本学习模型中实现了增加已知类和新类的增量学习。第二种方法使用类中心作为模型输入,利用类中心的乘积代替QR分解,提出了快速的免分解算法。同时,对增量中增加新样本、新类、混合数据情况提出了相应的快速增量算法,提高了计算效率,并且理论分析和实验验证结果都表明了该算法在真实数据库上的有效性。第三种方法在第二种方法的基础实现了核空间中的拓展,能应对更多非线性的实际问题。并且针对无标签的混合新数据,根据算法独有的特点提出了具有固定阈值的新类检测方法,在识别率和计算时间上都保持了其优越性。