近年来,人工神经网络因其具有强大的可学习能力和数据处理能力,吸引了国内外诸多学者的关注。超限学习机(ELM)是一种新兴的基于前馈神经网络的学习模型,它克服了传统学习算法(如误差反向传播算法)收敛速度慢而且容易陷入局部极小的缺点,在学习速度和泛化能力上具有较大的优势。为了有效处理复值信号,人们在实值超限学习机的基础上提出了复值超限学习机(CELM)。然而,现有的CELM模型不能充分利用输入信号的二阶统计特征,因而在实际应用中难以有效处理非圆信号。针对该问题,本文在CELM模型中引入复值输入信号的共轭信息,进而提出了两种宽线性超限学习机模型,分析了它们的逼近能力,并与原始复值超限学习机进行对比,验证了模型的有效性。本文第一章回顾了神经网络和超限学习机的背景知识,介绍了复值超限学习机的网络结构、算法和性能,并对一些相关知识进行了介绍。通过分别引入输入信号和隐单元信号的共轭信息,本文在第二章提出了两种宽线性复值超限学习机模型,并分析了它们的逼近能力;为克服过拟合问题,引入正则化方法,提出了两种正则化宽线性复值超限学习机模型;最后,通过数值实验对理论结果进行了验证。为满足在线数据处理的需要,本文第三章提出了两种宽线性复值超限学习机的在线学习算法,并与复值超限学习机的在线学习算法进行比较,验证了模型的优越性。