超限学习机是基于单隐层神经网络结构提出的机器学习算法,它具有训练速度快,实现简单的优点,被广泛地应用到各个领域中。但传统的超限学习机还存在一些待解决的问题:隐层神经元的随机性、冗余性以及如何拓展到无监督学习的聚类任务中。针对上述的三个问题,本文主要研究内容如下:（1）为了解决超限学习机的随机性问题并获得有效的隐层神经元,本文提出了一种稀疏的启发式超限学习机（sparse and heuristic extreme learning machine,SHELM）。该方法在隐层融合不同的单隐层神经网络,获得更有效且具有多样性的隐层,接着采用基于L₁范数的稀疏表示方法选择最优的隐层神经元。为了详细地描述该方法,本文展示了超限学习机与支持向量机的融合。其次,针对稀疏表示模型,本文提出基于可分的替代函数法（separable surrogate functions,SSF）快速求解。最后实验结果表明该方法有更好的泛化性能,所需的神经元数目更少。（2）针对超限学习机的冗余性问题,本文提出了一种新的基于L₀范数和L₁范数稀疏的超限学习机,它比基于L₁范数的超限学习机更稀疏。其次,提出一种基于SSF的求解方法对混合L₀范数和L₁范数的稀疏表示问题进行快速求解。最后,实验结果验证了该方法的稀疏性能。（3）尽管超限学习机被成功地应用到分类和回归任务中,但如何把超限学习机拓展应用到无监督聚类任务中是一个值得探讨的问题。本文提出了一种新的基于超限学习机的聚类算法:通过寻找一组最优的序列标签来得到最优的超限学习机分类器。本文先建立基于超限学习机的聚类模型,然后采用交叉迭代的方法求解该模型。最后实验验证了该聚类算法的性能。