极限学习机作为一种前馈神经网络的新型学习算法，它有比较简单的结构、较少的参数调整，以及较低的计算复杂度等优点，并且已经取得了国内外学者的广泛关注。本文主要针对极限学习机的算法进行研究，讨论了其改进算法，以及其作为分类器的方法，并将其应用到了具体的分类问题中，本文所做的主要工作可以用以下几点表示。　　 （一）研究了核学习理论的原理和方法，将核函数引入了极限学习机构造了核极限学习机，分析讨论了核极限学习机的优点以及其与最小二乘支持向量机的异同点。针对传统的核函数逼近能力的不足，将小波核函数引入了其中，证明了小波核函数可以作为极限学习机的核函数，并分析了小波核极限学习机的优点。通过在双螺旋问题的分类实验中发现，本文的小波核极限学习机具有良好的分类性能，效果要好于高斯核极限学习机和无核极限学习机。同时小波核极限学习机可以推广到没有训练样本分部的空间，在这些空间也具有一定的分类能力，而传统的高斯核极限学习机则不具有这种能力。通过在一些基准数据集上的分类测试发现小波函数极限学习机往往具有更好的分类性能。　　 （二）研究了序贯极限学习机的原理，针对其容易产生过拟合的问题，结合正则化理论，将正则化因子引入了序贯极限学习机，构造了序贯正则极限学习机。针对随机产生初始权值所造成的网络性能不稳定的问题，提出了采用粒子群算法优化序贯极限学习机初始权值的方法，实验结果表明该算法相对传统的序贯极限学习机具有优势。　　 （三）在分类的应用上，讨论了极限学习机处理多分类的几种方法，并将几种批量学习的极限学习机分类器应用到了人脸识别中，通过在几个人脸库上的对比表明，本文的小波核极限学习机算法在实验中取得的最好的性能。　　 针对传统采用批量学习算法的人脸识别系统难以在线更新的问题，提出了将优化序贯正则极限学习机应用到人脸识别系统的训练的方法，实验结果表明，该方法可以很好的实现人脸识别系统的动态在线更新。