在许多现实的学习应用中，环境是开放的并逐渐变化，这要求学习系统具有检测和适应变化的能力。 班级增量学习（CIL）是一个重要且实际的问题，来自看不见的班级的数据被馈入，但过去没有得到很好的研究。 在C-IL中，系统应提防从增强类作为可见类预测实例，因此面临挑战，即在训练阶段没有观察到此类实例。 在本文中，我们通过使用未标记的数据来应对挑战，该数据可以在许多实际应用中廉价地收集。 我们提出了LACU框架以及LACU-SVM方法，以学习可见类的概念，同时结合未标记数据中呈现的结构，以使可见类之间以及增