传统的粗糙集理论是一种处理不完备、不完整数据的智能计算方法。传统的模糊集理论也是一种重要的处理不精确,不确定信息的数学工具。模糊粗糙集是模糊集理论和粗糙集理论的有机结合体。模糊粗糙集可以灵活的处理模糊或者不精确的连续实值数据。传统的神经网络学习算法可以用来数据分类,但是需要人为设置大量的网络训练参数,并且很容易在没达到全局最优解之前,产生局部最优解。为了解决这些问题,学者提出了一种新的单隐层前馈神经网络学习算法,即极限学习机算法。其主要思想是,它可以随机初始化输入权重和偏置,与传统的学习算法相比,极限学习机训练速度更快,具有更好的泛化性能,更易解决局部最小值和过拟合等问题。在分类任务中,特征的重要程度起着关键性的作用。但是在实际的应用中,不相关的特征存在,分类器的性能不可避免会产生下降。为了解决上述这些问题,本文提出了一个应用比较广泛的特征加权框架,并将该框架成功地运用于三种不同的近邻分类算法中来实现数据的分类。这三种不同的算法分别为：基于进化极限学习机的加权近邻分类算法、基于进化极限学习机的特征加权近邻等价分类算法和基于进化极限学习机的加权模糊粗糙近邻分类算法。该论文提出的三种分类算法的相同点是使用基于进化极限学习机的特征加权框架,三者的不同点是将特征加权分别应用于三种不同的近邻算法中。基于进化极限学习机的加权近邻分类算法是将特征加权应用到K近邻分类算法中,实验证明了新的分类算法比较成功地提高了分类器的性能。基于进化极限学习机的加权近邻等价分类算法是将特征加权应用K近邻等价分类算法中,实验进一步表明了新提出的算法有较高的分类准确性和稳定性。基于进化极限学习机的加权模糊粗糙近邻分类算法是将特征加权应用到模糊粗糙近邻分类算法中。该算法的提出是为了解决多分类问题中由于类的重叠引起训练样本的模糊不确定性和由于属性不足引起类边界的粗糙不确定性。实验进一步表明了该算法有着较高的分类优越性。