随着近些年来机器学习在科研与工程届的发展,其创建的模型越来越复杂,如果整个模型的参数都依靠人类去设计,这将会耗费掉大量人力资源。自动化的概念也正在与时俱进,以前定义的自动化是让机器代替人去操作,那么随着信息化的发展,自动化的概念也被认为机器应该可以代替人类的脑力劳动。而自动化机器学习系统就可以很好地解决以上需求。现有的自动化机器学习系统大多数是基于传统机器学习方法,通过贝叶斯算法或者进化算法选择不同的算法模型,较为缺少基于深度学习的一站式自动机器学习系统,同时现有神经网络架构搜索算法忽略了对增量学习的支持。针对上述问题,本文提出了一种基于知识蒸馏的增量神经网络架构搜索算法,填补了神经网络搜索算法在这一处的空白,解决了神经网络架构搜索算法在进行新样本的学习过程中遗忘旧样本数据的问题。避免训练后的模型对旧样本数据产生“灾难性遗忘”的问题。本文提出的算法模型,可在没有旧训练数据输入的情况下,对旧数据仍有较好的表现。本文设计并实现了一个基于NAS（神经网络架构搜索）的自动机器学习系统,系统包括数据管理中心、模型中心、存储和自动机器学习算法四个主要模块,用户通过网站访问服务,对模型以及数据进行管理,当用户提交训练请求后,算法模型进行异步训练,待完成训练之后将结果返回给前端展示给用户。存储模块为用户训练时的数据提供稳定可靠的支持。通过对比试验以及系统测试,本文提出的基于知识蒸馏的增量神经网络架构搜索算法达到仅次于新旧数据联合训练的效果,明显优于普通只对新数据进行训练的模型。系统功能实现完整,具有较高的可用性和鲁棒性。