Eine wichtige offene Frage auf dem Weg zur künstlichen Intelligenz ist die Entwicklung inkrementell lernender Systeme, die über eine längere Zeitspanne hinweg aus einem Datenstrom immer mehr Konzepte erlernen können. In dieser Arbeit stellen wir eine neue Trainingsstrategie vor, iCaRL (incremental Classifier and Representation Learning), die es ermöglicht, auf diese Weise klassen-inkrementell zu lernen: Es müssen nur die Trainingsdaten für eine kleine Anzahl von Klassen gleichzeitig vorhanden sein, und neue Klassen können schrittweise hinzugefügt werden. iCaRL lernt robuste Klassifizierer und eine Datenrepräsentation gleichzeitig. Dies unterscheidet es von früheren Arbeiten, die grundsätzlich auf festgelegte Datenrepräsentationen beschränkt waren und daher nicht mit tiefen Lernarchitekturen vereinbar waren. Durch Experimente anhand der CIFAR-100- und ImageNet ILSVRC 2012-Datensätze zeigen wir, dass iCaRL über einen langen Zeitraum hinweg viele Klassen inkrementell erlernen kann, während andere Strategien schnell versagen.