Para adaptarse continuamente a las distribuciones dinámicas de datos, los métodos existentes de aprendizaje incremental y en línea adoptan estructuras de bagging o boosting, en las cuales algunos subclasificadores son abandonados cuando la distribución de datos varía significativamente en el proceso de aprendizaje. Como resultado, estos clasificadores de conjunto pueden no alcanzar el óptimo global. Además, el entrenamiento de subclasificadores estáticos, que se descartan cuando surge un cambio de concepto, conlleva costos computacionales innecesarios. Para resolver estos problemas, este estudio propone un nuevo método de entrenamiento que consiste en un único clasificador dinámico denominado el clasificador difuso adaptativo incremental dinámico Takagi-Sugeno-Kang (DIA-TSK), el cual aprovecha las superiores capacidades de modelado no lineal y la interpretabilidad del sistema difuso TSK. DIA-TSK utiliza una estrategia de aprendizaje incremental multidimensional que es capaz de aprender dinámicamente de nuevos datos en tiempo real mientras mantiene soluciones óptimas globales en diversos escenarios de aplicación en línea. DIA-TSK incorpora dos paradigmas de aprendizaje distintos: aprendizaje en línea (O-DIA-TSK) y aprendizaje incremental por lotes (B-DIA-TSK). Estos módulos pueden trabajar de forma independiente o colaborar sinérgicamente para lograr un aprendizaje incremental rápido, preciso y eficiente en recursos. Con la implementación de O-DIA-TSK, reducimos significativamente la complejidad computacional en procesos incrementales, abordando de manera efectiva los requisitos de aprendizaje en tiempo real para flujos de datos dinámicos de alta frecuencia. Además, el novedoso mecanismo de actualización incremental de O-DIA-TSK ajusta dinámicamente sus parámetros para garantizar una optimización progresiva, mejorando tanto el rendimiento en tiempo real como la precisión de aprendizaje. Para conjuntos de datos a gran escala, DIA-TSK evoluciona a B-DIA-TSK, que implementa actualizaciones por lotes para múltiples muestras basadas en la identidad de la matriz de Woodbury. Esta extensión mejora sustancialmente la eficiencia computacional y la robustez durante el aprendizaje incremental, haciéndola especialmente adecuada para conjuntos de datos de alta dimensionalidad y complejidad. Experimentos comparativos extensos demuestran que los enfoques DIA-TSK superan significativamente a los métodos existentes de aprendizaje incremental en múltiples conjuntos de datos dinámicos, mostrando ventajas notables en términos de eficiencia computacional, precisión de clasificación y gestión de memoria. En la comparación experimental, O-DIA-TSK y B-DIA-TSK alcanzan una superioridad significativa en el rendimiento de clasificación con respecto a los métodos comparativos, con reducciones de hasta el 33,3% y el 55,8% en el tiempo de entrenamiento, respectivamente, demostrando la ventaja de DIA-TSK en tareas de clasificación utilizando datos dinámicos.