虽然极端学习机（ELM: Extreme Learning Machine）收敛快、泛化性能高，但因输入层权值和隐单元阈值的随机选取，其稳定性不高。相对于单个ELM，集成ELM具有更优的泛化性能和稳定性。因标准微粒群算法（PSO: Particle swarmoptimization）易于过早熟而收敛于局部极小点，多数基于此类PSO的集成ELM性能提高仍然有限。因此，本文将多样性自适应控制的吸引排斥微粒群算法（ARPSO: Attractive and Repulsive PSO）对集成ELM进行动态优化，并进一步考虑ELM间的差异度和集成权值的优化，最后将该类集成ELM应用于基因表达谱数据分类，取得了优于传统集成ELM的性能。本文的主要工作如下:　　(1)提出一种基于ARPSO动态优选成员ELM的集成ELM(E-ARPSOELM)。该方法利用ARPSO根据集成系统的收敛精度选出最优的成员ELM，从而提高集成系统的泛化性能。在多个Benchmark数据集上的实验结果表明，E-ARPSOELM构建的集成系统比单一的ELM和集成ELM具有较高的泛化性能和稳定性。　　(2)在E-ARPSOELM基础上，提出两个基于ELM间差异度的集成极端学习机—单步优化的集成ELM(SO-EELM)和双重优化的集成ELM(DO-EELM)。首先利用ARPSO在能够保证集成系统的收敛精度的同时，选出差异度较大的成员ELM，以实现对集成ELM的单步优化;更进一步，对单步优选出的成员ELM，每个ELM的初始权重由最小二乘法算得，然后再利用ARPSO进一步优化，直到找到最优的权值，实现双重优化。基于ARPSO和差异度的两种集成极端学习机保证实现最优收敛性能同时，并使集成系统结构更加简洁。　　(3)将以上提出的基于ARPSO的集成ELM应用于基因表达谱数据分类，在两个基因表达谱数据集上的实验结果表明，本文提出的集成极端学习机能够有效地实现肿瘤识别。