我们提出了一种元可塑性模型，用于避免深度神经网络在连续学习中的灾难性遗忘。该模型通过不同灵活程度的突触连接和随机混合来训练具有不同灵活程度的神经元，成功学习连续信息流。该模型平衡了记忆容量和性能，无需额外训练或结构修改，并动态分配内存资源以保留旧信息和新信息。此外，该模型通过选择性过滤错误的记忆和利用赫布重复效应来增强重要数据的保留，对数据中毒攻击具有强大抵抗能力。