极限学习机（Extreme Learning Machine,ELM）作为一种高效的前馈神经网络方法,在机器学习领域的发展非常迅速。与传统的单隐藏层前馈神经网络相比,ELM训练速度更快、泛化能力更强。在训练过程中,连接输入层和隐藏层的输入权重被随机初始化,唯一需要调整的参数是隐藏层与输出层之间的输出权重,且该参数可以通过求解一个岭回归问题得到。因此,ELM在近几年被广泛应用于各种监督学习和无监督学习任务中。然而,传统的ELM方法在设计过程中没有考虑算法的鲁棒性,当数据中包含噪声或者异常值时,方法的性能容易受到干扰;其次,传统的ELM方法不能充分学习原始数据的表示信息,探索数据间高阶几何结构信息的能力不足。针对上述问题,本文对传统的ELM方法进行了研究和改进,并将改进后的方法应用到了真实数据的分类问题中,相比于现存的一些方法,改进后的方法具有更加理想的分类表现。具体的研究内容主要包括以下四部分:（1）提出了基于L2,1范数的鲁棒极限学习机方法(L2,1-ELM,L2,1-Extreme Learning Machine)。传统的极限学习机方法的损失函数是平方损失,它会放大数据集中噪声和异常值带来的负面干扰。针对这一问题,本文提出将L2,1范数作为损失函数引入到极限学习机中,避免在计算总残差时使用平方误差,以此来弱化极限学习机对噪声和异常值的敏感性。（2）提出了基于相关熵诱导损失的稀疏鲁棒图正则极限学习机方法（CSRGELM,Correntropy Induced Loss Based Sparse Robust Graph Regularized Extreme Learning Machine）。与L2,1范数相比,相关熵诱导损失不仅可以处理数据集中的高斯噪声,还可以处理非高斯噪声。该方法将相关熵诱导损失引入到原始的极限学习机方法中,可以进一步提高方法的鲁棒性。另外,传统的极限学习机方法使用L2范数来约束输出权重矩阵,没有考虑矩阵的结构化稀疏。因此,本文使用L2,1范数来约束输出权重矩阵,可以实现隐藏层节点的特征选择,简化神经网络模型。同时,图正则化约束的引入可以提高极限学习机学习数据间流形结构信息的能力,有助于提高实验性能。（3）提出了基于核风险敏感损失的超图正则化鲁棒极限学习机方法（KRSL-HRELM,Kernel Risk-Sensitive Loss based Hyper-graph Regularized Robust Extreme Learning Machine）。该方法在极限学习机的误差函数中使用了核风险敏感损失。与相关熵诱导损失相比,核风险敏感损失的收敛速度更快,鲁棒性更强。另外,与图正则化相比,超图正则化可以考虑多个样本点之间的关系,能够增强极限学习机学习样本点之间高阶几何结构信息的能力。为了探究新方法的数据挖掘能力,本研究将KRSL-HRELM扩展到了半监督学习领域,提出了基于核风险敏感损失的半监督超图正则化鲁棒极限学习机方法（SS-KRSL-HRELM）。两个方法分别被应用到了监督学习和半监督学习任务中。（4）提出了基于核风险敏感平均p次幂损失的鲁棒极限学习机方法（KRPELM,Kernel Risk-Sensitive Mean p-Power Error Based Robust Extreme Learning Machine）。通过将平均p次幂误差引入到核风险敏感损失中,原始的核风险敏感损失可以被扩展到一个更通用的形式,称为核风险敏感平均p次幂误差。将该损失函数引入到极限学习机中,不仅可以提高算法的鲁棒性,还可以增强ELM学习数据集中高阶表示信息的能力。通过分析得到的各项实验结果,可以发现本文所提出的4个方法能够有效地提高极限学习机方法的鲁棒性。而且与现有的一些方法相比,新提出的方法有更好的分类效果和泛化能力。