随着机器学习的发展目前有大量的机器学习算法被提出,人工神经网络(Artificial Neural Networks,ANN)就是其中的一个重点研究方向。单隐藏层神经网络又是ANN中发展最为完备使用范围最为广泛的一类算法。传统的神经网络算法例如BP神经网络(Back Propagation Neural Network)有着参数复杂,训练速度慢,对数据需求庞大的问题,而极限学习机(Extreme Learning Machine,ELM)则是对传统单隐藏层神经网络算法的扩展创新,它极大的避免了传统神经网络算法的缺陷,所以将极限学习机引入到使用传统的神经网络算法进行处理的问题中可以提升算法性能。当前随着网络使用率的提升,现在有大量互联网用户每天都在产生海量的数据,同时这些数据非常的零散,数据的信息密度和使用价值也都很低,所以这样就需要一种合适的方法来处理这些数据,标记学习就是一种性能表现良好的数据分类处理办法,它通过建立已知特征到标记的映射来处理未知数据的标记识别问题,目前已经有了大量的研究成果。核函数作为一种高效的维度空间映射方法在人工神经网络算法中有重要的应用,而基于核的极限学习机也是提升改善极限学习机性能的一种有效方法。对此本文提出将混合核极限学习机应用到多标记问题和性别标记识别问题中。基于核极限学习机的多标记学习算法能够有效提高标记分类性能,但是现有算法大都使用单一核函数,未能有效解决多标记中数据差异性问题。本文将混合核引入到极限学习机算法中,提出基于混合核极限学习机的多标记学习。首先在极限学习机中通过混合核函数将特征映射到高维空间,然后对原标记空间建立混合核极限学习机模型求得输出权值,最后通过模型计算预测未知样本的标记。通过与现有算法在相同数据集下进行的对比,结果表明本文算法在五个评价指标下性能优于多个对比算法,统计假设检验进一步说明本文算法的有效性,有利于多标记学习算法性能提升。目前大部分性别标记识别问题都是基于传统的神经网络算法,本文将在多标记识别中有较好表现的混合核极限学习机应用到性别标记问题中。通过LBP(Local Binary Pattern,LBP)和LPQ(Local Phase Quantization,LPQ)来提取人脸图像特征,并进行性别标记之后用这些特征和标记来训练混合核极限学习机得到预测模型。然后将未知性别标记的人脸图像同样提取特征后通过该预测模型来判断性别。通过对比其他算法在同一个公开数据集上的识别率,证明了混合核极限学习机在性别标记问题中的有效性。