在线分类是指一个分类系统不但能够保留之前学习到的知识，并且能够不断地从新的样本中学习到新的知识来进行分类，以适应新样本数据随时间的推移而不断变化的情形。随着信息技术的发展，各行业的数据规模与数据类别不断增多，而要消耗更多存储空间与时间资源，因此研究在线分类有着重要的现实意义。　　车型识别作为智能交通系统最重要一个组成部分，是解决许多交通问题不可缺少的环节。但目前普遍运用的车型分类方法不具备在线学习功能，不能适应新型车不断出现的实际状况。将在线分类方法应用于车型识别，能够克服目前车型分类方法只能静态分类而存在的缺陷。　　论文的主要工作为:　　1.在支持向量机的理论基础上，基于二类双更新支持向量在线学习算法，研究多类双更新支持向量在线学习算法。算法能够对多类别样本进行分类，在训练中不仅更新错分样本的权值，在已存在的支持向量中也更新其权值，通过动态调整其权值来提高分类性能。通过更新支持向量的权值，反映新增样本对支持向量的影响。对多类双更新支持向量在线学习分类算法进行了仿真实验。　　2.根据在线增量学习思想，研究设计了一种半监督在线增量学习方法，该方法只需少量样本进行初始化，通过判断样本匹配度来实现包括类内（同一个类）和类间（新增加类别）的增量学习;通过设置样本阈值来节约存储空间和提高分类效率。论文对该方法进行了仿真实验。　　3.将上述两种方法应用于车型分类实验。利用相同车型具有相似电磁感应波形对车型进行识别，对预处理后的感应波形进行特征提取，详细描述了实验步骤，分析实验结果来验证两种方法的可行性和有效性。