我们针对类别增量学习（class incremental learning）这一问题展开研究，该问题被视为实现自适应视觉智能的核心步骤。具体而言，本文考虑在有限记忆资源约束下的增量学习任务，旨在实现更优的稳定性-可塑性权衡。为此，我们提出一种新颖的两阶段学习方法，通过采用动态可扩展的表征结构，实现更高效的增量概念建模。具体而言，在每个增量学习阶段，我们冻结先前已学习的表征，并通过引入一个可学习的新特征提取器，为其扩展额外的特征维度。这一机制使得模型能够在保留已有知识的同时，有效融合新的视觉概念。我们进一步提出一种基于通道级掩码的剪枝策略，根据新概念的复杂程度动态调整表征的扩展规模。此外，我们设计了一种辅助损失函数，以促使模型为新类别学习更具多样性和判别性的特征表示。我们在三个主流的类别增量学习基准数据集上进行了大量实验，结果表明，所提方法在各项指标上均显著优于现有方法，且性能提升幅度明显。