随着机器学习与计算智能的快速发展,面向海量高维数据的神经网络研究成果不断涌现。2018年,华南理工大学陈俊龙教授团队提出一种宽度学习系统（Broad Learning System,BLS）的浅层网络结构。输入BLS的数据经过特征映射与稀疏字典的有效表示生成了映射节点,映射节点再映射生成增强节点。映射节点与增强节点共同组成的宽度平层,经岭回归广义逆的最优连接矩阵共同生成输出。BLS有简捷的网络结构与简便的运算方式,可以通过分布的矩阵计算,实现映射节点、增强节点和输入数据有效扩展的增量学习。与传统卷积神经网络（Convolution Neural Networks,CNNs）、深度信念网络（Deep Belief Network,DBM）等结构相比,BLS不仅超参数更少、计算效率更高、且其网络还可实现数据与节点的增量学习。因此,这种新颖的网络得到越来越多的研究人员的重视。本论文主要对宽度学习系统处理不平衡数据和多模态数据两个分类问题进行了深入的研究。（1）处理类别不平衡数据时,提出一种基于Ada Boost集成加权宽度学习系统（Ada Boost Weighted BLS,Ada Boost-WBLS）。宽度学习系统作为一种前馈的单隐层算法网络,处理类别不平衡的数据时,提取到的少数类别特征相比于多数类仍显不足,导致其少数类数据识别分类性能不高。BLS的输出层、输出层与单隐层间映射关系十分简洁,因此在单隐层对应特征上添加权重有效的类别再平衡方式。本文基于KKT（Karush-Kuhn-Tucker）条件,对宽度学习系统添加对角矩阵形式加权的优化过程进行推导,验证了添加对角权重对BLS模型误差的抑制作用。加权宽度学习系统（Weighted BLS,W-BLS）实现添加权重的在线更新与Adaboost集成过程存在较强的相似性,因此使用Adaboost集成W-BLS,提出Ada Boost-WBLS的不平衡数据分类算法,通过迭代实现权重的动态更新,获得更符合数据特征的权重以进一步提升集成模型对少数类的识别能力。权重初始化时,采用基于类别信息的初始化策略,使模型具有更高的集成训练效率。权重更新过程中,不同类别采用了不同的正则化更新方式,以保留数据类内特征并增加类间区分度。分别对Ada Boost-WBLS模型进行了消融实验与对比试验,实验结果证明该模型对少数类的识别能力有显著提升。（2）针对堆栈宽度学习系统输出不明确、堆栈过程缺乏成本管控的问题,提出代价敏感堆栈宽度学习系统（Cost-sensitive Stacked BLS,Cs-Stacked BLS）。堆栈宽度学习系统是一种以堆栈残差逼近,实现最高测试精度输出的模型。但在处理分类任务时,仍存在着分类决策的区分度不足、堆栈过程成本分析不到位的问题。本文以增强决策区分度为目的,基于序贯三支决策提出Cs-Stacked BLS,实现堆栈过程中决策成本、准确率与时间成本的综合评判。并在四个常用分类数据集上进行实验,结果表明Cs-Stacked BLS是一种综合考虑决策风险和过程不确定性的有效网络。（3）针对多模态数据集,提出决策融合Cs-Stacked BLS的多模态分类算法——决策融合代价敏感堆栈宽度学习系统（Cost-sensitive Voting Stacked BLS,Cs-V Stacked BLS）。多模态数据的复杂分类过程是对单模态数据特征有效提取并融合决策的过程。Cs-Stacked BLS作为一种多指标评判的有效算法,具有泛化性能良好,决策过程与结果稳定等优势。但其特征提取过程冗余,因此采用基于敏感加权投票的决策融合方式,使其具备多模态数据分类能力。通过与同类算法对比,验证了新算法对多模态分类复杂问题的有效性。