极端学习机（ELM: Extreme Learning Machine）是训练单隐含层前馈型神经网络的学习算法，它不用迭代调整权值，隐含层的输入权值和偏置都是随机生成的，输出权值是通过分析的方法确定的。ELM具有学习速度快、泛化能力强等特点，已成功地应用于生物信息处理、语音识别、人脸识别等各个领域中。但是在应用中如何选择一个合适的网络结构是一个难点，也是神经网络研究的热点。本文研究了ELM网络结构选择问题。本文主要贡献包括：(1)将局部泛化误差模型推广到用ELM训练的单隐含层前馈神经网络，给出了计算模型，提出了基于该模型的ELM网络结构选择方法。（2）提出了基于相容依赖度的ELM网络结构剪枝方法，该方法用相容依赖度度量结点的重要性，从一个规模较大的网络开始，逐个去掉依赖度比较小的隐含层结点，直到满足预定义的停止条件。（3）提出了基于结点敏感度的ELM网络结构剪枝算法，该方法的思想和第二种方法类似，只是用敏感度度量隐含层结点的重要性。本文做了大量实验对提出的相关算法进行评价，证明所提出的算法是有效和可行的。最后，对研究工作中遇到的问题进行了分析和总结，并提出了建设性的解决方案。