现有的分类算法被广泛应用于数值唯一的数据分类问题。然而,在许多真实应用中普遍存在数值服从某种分布的不确定数据,如果使用传统的分类算法对不确定数据进行分类,那么极有可能会给出错误的结果。所以,如何正确的分类不确定数据,对于现实应用具有极其重要的研究价值。极限学习机是针对单层前馈神经网络的优化算法,对于确定数据是一个强有力的分类算法,但是还不能用于分类不确定数据。目前已经有研究使用极限学习机处理不确定数据,该类算法使用期望值和抽样点对不确定数据进行建模,通过投票的方式将其转化为确定数据的分类问题。这类方法会造成不确定数据分布信息的丢失问题,而且没有将不确定数据的分布信息整合到极限学习机框架中,不能很好的处理数据的不确定性。针对上面所提到的问题,本文研究出了一种新颖的基于极限学习机的不确定数据分类算法UELM。首先,UELM使用概率密度函数(PDF)替代期望值和抽样点的方法来对不确定数据进行建模,这种做法有效避免了期望值和抽样点方法带来的不确定信息(不确定数据的概率分布信息)丢失问题。然后,UELM重新设计了传统的极限学习机算法框架,修改了输入层的接收数据以及隐藏层的激活函数,这样的改进使得极限学习机算法更加适用于不确定数据。最后大量的实验结果证明UELM算法在准确率和时间效率上相对于其他不确定数据分类算法都有突出表现。