Die Fähigkeit, neue Klassen inkrementell zu lernen, ist entscheidend für die Entwicklung realwelttauglicher künstlicher Intelligenzsysteme. In diesem Paper konzentrieren wir uns auf ein herausforderndes, aber praktikables Problem des Few-Shot Class-Incremental Learning (FSCIL). FSCIL erfordert, dass CNN-Modelle neue Klassen aus sehr wenigen gelabelten Beispielen inkrementell erlernen, ohne die bereits gelernten Klassen zu vergessen. Um dieses Problem anzugehen, stellen wir das Wissen mittels eines Neural-Gas-(NG)-Netzwerks dar, das die Topologie des durch verschiedene Klassen gebildeten Merkmalsmannigfaltigkeitsraums lernen und erhalten kann. Auf dieser Grundlage schlagen wir den TOpology-Preserving knowledge InCrementer (TOPIC)-Rahmen vor. TOPIC reduziert das Vergessen alter Klassen durch Stabilisierung der NG-Topologie und verbessert die Repräsentationslernung für Few-Shot-Neuklassen durch Erweiterung und Anpassung des NG an neue Trainingsbeispiele. Umfassende experimentelle Ergebnisse zeigen, dass unsere vorgeschlagene Methode andere state-of-the-art-Methoden des Class-Incremental Learning auf den Datensätzen CIFAR100, miniImageNet und CUB200 erheblich übertrifft.