El aprendizaje continuo (CL) a partir de flujos de datos infinitos se ha convertido en un desafío para los modelos de redes neuronales en escenarios del mundo real. La olvidación catastrófica del conocimiento previo ocurre en este entorno de aprendizaje, y los métodos de CL supervisados existentes dependen en exceso de muestras etiquetadas con precisión. Sin embargo, las etiquetas de datos del mundo real suelen ser engañosas debido al ruido, lo que influye en los agentes de CL y agrava el olvido. Para abordar este problema, proponemos un método llamado aprendizaje continuo en línea con etiquetas ruidosas (NLOCL), que implementa el modelo de CL en línea con flujos de datos etiquetados con ruido. NLOCL utiliza una estrategia de repetición empírica para retener ejemplos cruciales, separa los flujos de datos mediante criterios de pérdida pequeña e incluye un ajuste fino semisupervisado para muestras etiquetadas y no etiquetadas. Además, NLOCL combina la pérdida pequeña con medidas de diversidad de clases y elimina la partición de memoria en línea. Además, optimizamos la etapa de repetición de la experiencia para mejorar el rendimiento del modelo al retener ejemplos limpios y etiquetados significativos y seleccionar cuidadosamente muestras adecuadas. En el experimento, diseñamos flujos de datos etiquetados con ruido inyectando etiquetas ruidosas en múltiples conjuntos de datos y particionando tareas para simular de manera realista flujos de datos infinitos. Los resultados experimentales demuestran el rendimiento superior y las sólidas capacidades de aprendizaje de nuestro método propuesto.