Nous abordons le problème de l'apprentissage incrémental de classes, une étape fondamentale vers l'atteinte d'une intelligence visuelle adaptative. Plus précisément, nous considérons un cadre d'apprentissage incrémental avec mémoire limitée, visant à améliorer le compromis stabilité-plasticité. À cette fin, nous proposons une nouvelle approche en deux étapes qui utilise une représentation dynamiquement extensible pour modéliser de manière plus efficace les concepts incrémentaux. En particulier, à chaque étape incrémentale, nous figeons la représentation précédemment apprise et l’enrichissons par des dimensions supplémentaires issues d’un nouvel extracteur de caractéristiques apprenable. Cette approche permet d’intégrer de nouveaux concepts visuels tout en préservant les connaissances acquises. Nous étendons dynamiquement la représentation en fonction de la complexité des nouveaux concepts, en introduisant une stratégie de prunage basée sur un masque au niveau des canaux. En outre, nous introduisons une perte auxiliaire afin d’encourager le modèle à apprendre des caractéristiques diversifiées et discriminantes pour les nouveaux concepts. Nous menons des expériences étendues sur trois benchmarks standard d’apprentissage incrémental de classes, et notre méthode surpasse systématiquement les autres méthodes avec un écart significatif.