宽度学习系统是一种浅层网络,结构清晰,由输入层、隐藏层以及输出层组成。宽度网络模型训练速度快,并且具有良好的横向扩展能力,有多种增量算法能够快速更新宽度网络模型,使其能够适应很多场景的应用。但是宽度学习网络在处理复杂问题时仍有不足,在实际应用中的性能表现依旧需要改进。集成宽度学习方法可以改善宽度网络的过拟合和不稳定问题,提升集成模型的泛化性能,而模型之间的多样性则是集成学习成功的关键,因此本文从多样性增强的角度出发进行集成宽度学习方法的研究,针对宽度网络以及集成宽度模型所面临的问题提出相应的改进方法。主要研究内容如下:（1）在面对复杂的不稳定高维数据时,单个宽度网络的鲁棒性与泛化性较差。针对此问题,从数据多样性的角度出发,本文提出基于输入属性扰动的集成宽度学习方法。该方法在宽度学习网络的基础上引入随机丢弃技术,在训练过程中按照一定概率暂时丢弃随机权重,利用不同的权重对输入属性进行扰动,增加数据样本的不同观测视角,降低模型过拟合的风险,得到具有互补能力的不同子网络以提升集成宽度模型的性能以及泛化能力。最后,选取了default、zoo等公共数据集对模型的性能表现进行了验证。（2）在模型集成过程中,单独训练多个网络的集成方式会使得训练时间过长,带来很大的计算成本代价。针对此问题,从参数多样性的角度出发,本文提出基于相似性度量的集成宽度学习方法。该方法利用宽度网络特有的横向结构,将特征层与不同的增强节点组相结合,快速得到具有不同隐层的子模型网络,再利用相似性度量正则化项构造新的目标函数,正则化项负责约束输出权重,对模型参数进行扰动,促进参数之间的多样性。通过对目标函数的求解优化,依次生成具有低相似性的子模型,该方法不仅可以增加模型之间的多样性,而且可以降低模型的训练时间消耗,节省计算成本,从而快速建立有效的集成宽度模型。最后,选取了biodeg、seed等公共数据集对模型的性能表现进行了验证。（3）训练多个网络的模型参数需要独立存储,其内存占用问题不可避免,而当模型参数过多或硬件容量有限时会限制模型的应用与推广。针对此问题,从结构多样性的角度出发,本文提出基于尺度向量的结构集成宽度学习方法,旨在保持集成宽度网络良好性能的基础上降低模型内存占用。该方法将余弦距离正则化约束项引入到目标函数中训练得到尺度向量,利用不同尺度向量在网络中寻找子网络隐藏路径提取不同的网络结构进行集成,在存储时保存尺度向量可以缓解内存占用的约束。该方法从网络结构角度引入多样性,在训练过程中可以降低节点之间的协同作用,减少模型过拟合风险提升模型性能,并且降低集成宽度模型的内存占用。最后,选取了hepatis、hung等公共数据集对模型的性能表现进行了验证。