近年来,人工智能得到了快速发展,机器学习作为人工智能中的核心内容已在人工智能的各个领域得到了广泛的应用:例如在模式识别、自然语言处理、计算机视觉、专家系统、智能机器人等领域。神经网络作为机器学习的重要方法,得到了广泛深入的研究,其算法在回归问题和分类问题中得到了很好的应用。极限学习机(ELM)作为传统单隐层前馈神经网络(SLFNs)的拓展被Huang等人提出,其算法的特点在于随机产生输入权值和隐层节点偏置值,将传统神经网络的求解过程由非线性模型转化为线性模型,通过最小二乘解的方法求出输出权值,从而避免了传统神经网络基于梯度下降求解输出权值速度慢的问题。同时研究人员对ELM的深入研究发现,ELM与传统神经网络相比具有求解速度快并且具有良好的泛化能力。近年来研究人员将极限学习机应用到分类、回归、特征提取、聚类等问题中并取得了良好的效果。但是极限学习机在具体问题中仍然存在需要改进的地方,例如在实际问题中数据的不规则分布、带有噪音以及离群点,都严重影响了极限学习机算法的分类准确率。在有监督的学习中,由于数据样本有限,使得ELM学习不充分从而限制了ELM的泛化能力。本文针对上述两个问题对极限学习机进行了研究,主要研究成果如下:1)针对噪音数据、离群点数据以及数据的不规则分布对极限学习机算法的影响,对极限学习机中的激活函数进行分析,提出一种新的鲁棒极限学习机算法。2)针对有监督学习中,由于带标签数据样本不足,导致ELM算法学习不充分的问题,提出一种基于流形学习正则化极限学习机(LPELM)。LPELM算法将数据样本所蕴含的判别信息和数据样本的几何结构引入到ELM模型中,通过最小化类内散度矩阵优化极限学习机的输出权值,增强极限学习机的泛化能力。