从数据中发现知识是分析复杂数据和建立决策系统的基石,其中模式分类是知识发现中的一项重要内容。近年来,研究者们广泛采用人工智能方法来解决模式分类问题,并且在医学诊断、机械故障诊断、语音识别、人脸识别等领域获得了很好的应用。极限学习机(Extreme Learning Machine, ELM)是2006年Huang提出的一种新型人工智能方法。ELM属于单隐层前馈神经网络,其学习算法能够在随机选择输入层权值的前提下,利用Moore-Penrose广义逆解析求出输出层权值。与传统的学习算法相比,ELM学习算法只需设置隐层节点个数,在算法执行过程中不需要调整输入权值以及隐层节点的偏置,就能获得唯一的最优解析解。因其易于学习以及具有很好的鲁棒性,ELM近年来在人工智能领域引发了广泛关注和研究热情。本文采纳系统工程思想,利用人工智能、信息科学等领域的相关研究成果,从算法机理和实际应用两个方面对ELM展开研究,主要研究内容可以归纳为如下几个方面：(1)对相关研究工作进行综述。在介绍人工智能的发展历程以及几种经典的人工智能分类方法的基础上,对极限学习机的原理和研究现状进行了重点阐述。(2)对ELM的算法机理进行研究。针对一种Benchmark分类问题,利用仿真实验探讨了训练样本个数、隐层节点数、输入层权值以及隐层节点偏置量等四个重要参数对ELM分类器性能的影响程度；此外,还考虑实际应用特点,研究了样本归一化处理方法对ELM分类器性能的影响程度。(3)对ELM在实际问题中的应用进行研究。在一个摔倒测试的实际应用问题中,设计了相应的ELM分类器,利用实测数据分析和验证了该分类器的准确程度以及参数灵敏性。(4)对本文的研究工作进行总结,指出不足之处,并对在后续研究中需要深入探讨的问题进行进一步展望。