如何从数据中挖掘潜在重要信息并合理地运用所学知识,以实现高效的信息处理,是机器学习的热点问题之一。浅层神经网络由于浅层学习的限制,无法从最大程度上发现数据中的隐含价值。主流的深度学习采用大量隐层单元构建深度神经网络,利用迭代参数更新的策略进行训练。然而,单个深度网络迭代微调耗时长、网络结构复杂且需调参数多,导致了传统的大型深度网络进一步发展受限。针对浅层ELM无法充分挖掘样本隐含知识的问题,本文基于栈式结构提出了两种快速训练的深度网络——DELM和DS-A-ELM。深度极限学习机（DELM）以ELM为基础学习单元,实现了层次化的特征表示学习。DELM通过级联多个ELM子模块,利用知识增强策略以前馈方式逐层扩充数据空间,改善整体的分类性能。在每个子模块中,随机设置输入权重和隐层偏置,利用隐层单元的激活函数将输入样本映射至隐层空间,最后解析地计算出输出权值即可。向栈式结构中不断引入子模块,集成多模块中的知识,最终在满足预先设定的深度或达到性能阈值时停止后续的深度堆叠。本文详细介绍了DELM算法,并在癫痫EEG识别场景中验证了DELM的有效性。在DELM模型的基础上,本文又根据另一种知识增强思路,提出了基于对抗样本学习的深度栈式极限学习机（DS-A-ELM）。在每个子模块开始训练前,首先需要对训练样本进行主动对抗攻击,生成对抗样本。随后,逐层地更新当前层输入的数据空间,以捕获到更优的增强知识,因而DS-A-ELM仍能保持增强的分类性能,同时亦具备出色的学习效率和良好的泛化性能。本文对DS-A-ELM进行了详细阐述,也在大量UCI数据集以及运动想象分类数据集中验证了该栈式结构的模型性能。针对单个大规模深度神经网络难以并行化以及上述工作中的子模块特征提炼能力有限等问题,本文进一步提出了结合FCM聚类方法的深度集成学习模型（PH-E-DNN）。在每个栈层前,首先利用FCM将所有样本划分至多个局部分类模型上,利用并行执行的多模块DNN学习区域子集上的分类知识。对局部知识进行整合,并扩充至区域子集中。将三重栈层中多模块的知识进行深度融合,以期获得全局性质的增强数据。最后,在全局增强样本上进行最终分类并得到综合输出。通过大量UCI基准数据集上的实验结果,表明了PH-E-DNN在分类任务中具有优异的模型性能。