核方法被开发用于处理在线分类中的非线性分类问题，在计算核函数时，为了避免支持向量的数量随数据流而无限增加，近年来发展了预算维护算法。现有的固定预算的核分类算法在分类性能上会受标签噪声的严重影响。为了解决该问题，提出一种基于kNCN的标签噪声在线核学习方法。当缓冲区达到预算规模时，该方法利用kNCN原则，为缓冲区内每个支持向量找到k个近质心近邻点，通过计算它们之间的局部标签不一致性来构建删除候选集和锚点集，再对删除候选集内所有实例建立试错模型，在锚点集上检验试错模型的分类准确率，从而判断哪个支持向量最应该从缓冲区中删除，实现固定预算的维护。人工合成数据集和真实数据集上的实验结果表明，本方法在固定预算的感知机和被动攻击算法上的应用中，在标签噪声场景下有效提升了分类性能，在6个数据集上的综合排名优于其他对比算法。