最小二乘支持向量机是标准支持向量机的一种扩展，它是支持向量机在二次损失函数下的一种形式。它用等式约束代替不等式约束，求解过程变为解一组等式方程，避免了求解耗时的二次规划问题，但同时也丧失了标准支持向量机的稀疏性，影响了二次学习的效率。针对上述问题，本文提出了一种改进的最小二乘支持向量机增量学习方法。改进的最小二乘支持向量机算法采用自适应剪枝方法对解进行稀疏，根据每次训练得到的分类器性能来设定剪枝阈值和样本增量的大小，如果得到的分类器性能好，剪枝阈值和样本增量就大，反之，剪枝阈值和样本增量就小，从而提高了最小二乘支持向量机训练效率，解决了稀疏性问题。最后，仿真实验表明该算法方案可行。