本发明公开一种基于Mean Teacher的钢材金相多标签持续学习方法，包括：首先，将金相图数据集分为多个任务批次的标注和未标注数据。在第一批数据中，利用标注数据集训练学生模型，同时老师模型对未标注数据进行预测并生成伪标签。然后，利用更新后的无标注数据集继续训练学生模型。在每轮训练中，通过指数滑动平均的方式将学生模型的权重参数逐步融合至老师模型的权重中。这一过程持续进行直至学生模型的损失函数稳定收敛，得到一个初步的金相分类模型。随后的任务批次采用基于突触智能思想的持续学习算法进行增量学习。通过向神经网络的损失函数引入正则惩罚项，保护对网络性能至关重要的参数，使得模型在处理新任务时能够保持先前学到的知识和技能。