近年来,基于深度学习的架构,特别是卷积神经网络,已经使得人工智能领域,特别是计算机视觉领域快速发展。这一进展引发了很多现实世界中的应用,比如人脸检测和识别、个人图像搜索、机器人感知和自动驾驶。然而,所有这些基于计算机视觉的系统在光线较差或者是晚上的时候,都很难正常工作。因此,本文中,我们的目标是开发一个目标检测算法使得其在白天和晚上都能够使用红外图像正常工作。所提出的方法使用机器学习算法,特别是卷积神经网络和极限学习机,学习特色鲜明的特征并且进行准确且快速的分类。首先,受卷积结构学习丰富的分层表示驱使,我们开发了一个基于卷积神经网络的模型去学习适合于红外图像的有用特征而没有任何的手工工作。第二,为了增强单个模型的精度,我们为多分类问题提出一个完全可学习的极限学习机的集成算法(ELMs),称为ELM-In-ELM。所提出的算法自动地学习如何去组合不同的单个模型,采用ELM算法,通过最小化分类误差和网络权重的范数,将会获得更好的泛化性能。而且,有趣的是,很多基于ELM的集成算法可以看成是所提出的ELM-In-ELM算法的特殊情况。在32个包括小数据集和大数据集或高维数据集的标准分类基准数据集上进行了大量的实验。而且,与不同的先进模型进行了比较,结果表明所提出的统一ELM-In-ELM集成可以在泛化性能、网络复杂度记以及训练时间上取得有竞争力的结果。第三,为了处理训练数据的匮乏和过拟合问题,提出一个新的基于ELM的快速并且精确的方法去训练任意的卷积神经网络,命名为ELM-CNN。所提出的框架是基于自编码的概念,通过重构标准化输入和截距项来学习带有偏差的卷积滤波器。此外,和传统的基于反向传播的训练方法在定性和定量两个方面进行了系统的比较。实验结果表明所提出的算法在泛化性能和速度上取得了比基于反向传播的卷积神经网络的训练更有竞争力的结果。当可得的训练数据较小时,传统的反向传播算法由于过拟合问题导致失败,而所提出的ELM-CNN算法可以在泛化性能和训练速度上均实现一个最好的结果。最后,为了展示所提出算法在现实世界问题中的有效性,我们采用了两个应用:行人检测与船舶识别。实际上,我们提出了一个基于卷积神经网络的模型去学习有用特征从而使用红外热图像进行行人检测。所开发的行人检测器在先进的驾驶员辅助系统中扮演一个重要的角色,它在白天和黑夜都能充分发挥作用。就船舶识别问题来说,我们结合基于ELM的学习算法训练用于判别特征提取的卷积神经网络(ELM-CNN)以及用于分类的基于ELM的集成算法(ELM-In-ELM)。实验结果证实所提出的方法在泛化性能和训练速度方面优于最先进的模型。所提出的算法可以使用ELM-CNN算法提取易区分的表示,并且使用ELM-In-ELM算法进行快速且准确的分类,这意味着所提出的方法可以应用于任何目标识别系统。