极限学习机（extreme learning machine,ELM）是一类针对前向神经网络设计的机器学习算法,该算法具有训练速度快、泛化性能优、不会陷入局部最小值等优势。目前在疾病诊断、交通标志识别、图像评价等方面获得了广泛应用和良好的效果。然而,由于极限学习机的输入权值和偏置是随机产生的,当样本数据维数较高时,为保证分类性能,极限学习机需要大量的隐含层节点作为支撑,这直接导致了极限学习机网络结构复杂,分类性能不稳定等问题。同时当样本存在噪声干扰时,单隐层ELM不能很好地对样本数据的特征进行表示,从而对数据分类的效果产生严重影响。此外,极限学习机因其优良的特性,已经在识别手写中文字符领域有了很多应用研究,但在识别少数民族字符方面还少有涉猎,特别是在湘西方块苗文上的识别应用还处于空白阶段。本文针对以上问题对传统ELM进行了进一步的研究探讨,主要研究成果如下:1.针对输入数据维数较高时极限学习机需要大量隐含层节点以保证其分类性能的问题,通过对极限学习机的原理进一步分析和推导,提出了双伪逆权值确定的极限学习机（double pseudo-inverse weight determination ELM,DPELM）。DPELM的输出权值先随机确定,其输入权值通过伪逆计算得到,随后再次使用伪逆法确定输出权值,使得输入权值和输出权值都为用解析式计算得到的最优权值,最后采用生长法确定网络的隐含层神经元个数。在与传统极限学习机的性能对比实验中发现:（1）改进后算法的准确率得到了提升;（2）改进后算法达到最佳分类准确率时,所需隐含层神经元个数得到了减少;（3）改进后算法的稳定性更优。将改进后的算法应用于乳腺肿瘤分类识别中,其诊断准确率、假阴性率、耗时较改进鱼群算法优化的ELM、AFSA—ELM、ELM及LVQ、BP等现有算法都有明显的性能提升。实验结果表明,DPELM应用于乳腺肿瘤辅助诊断中具有诊断速度快、分类准确率高、假阴性率低的优点。2.针对数据含有噪声或离群点时极限学习机对数据特征表示能力弱分类准确率低的问题,通过引入去噪自编码器（denoising autoencoder,DAE）算法,将其能够提取数据更为本质特征的能力与改进的极限学习机相融合,提出了基于去噪自编码器的双伪逆极限学习机（DAE-DPELM）算法。使用DAE对输入数据进行特征提取,然后将提取到的特征作为DPELM的输入数据,进行网络训练。在含噪和不含噪声的Fashion MNIST,MNIST,Rectangles和Convex数据集中进行对比性实验,结果表明,DAE-DPELM算法的综合性能最优,用于分类的网络隐含层节点数最少。3.将改进算法应用于湘西手写方块苗文的识别上,并通过与传统的ELM算法和DAE-ELM算法进行对比实验,通过对实验结果的多方面细致分析发现:本文所提出的算法,对湘西手写方块苗文的识别正确率比ELM和DAE-ELM算法有显著的提升,同时也填补了极限学习机在这一应用领域的空白。综上所述,本文所提DPELM算法在不引入其他超参数的情况下,明显的提升了ELM的分类准确率以及结果的稳定性,同时还精简了算法模型的网络结构。而所提的DAE-DPELM算法在抗噪性能和特征提取能力上也比现有的DAE-ELM算法有明显的提升,并在识别湘西手写方块苗文上取得了较好效果,进一步证明了本文改进算法的有效性和优越性。