近年来,人工智能得到了快速发展,机器学习作为人工智能中的核心内容已在人工智能的各个领域得到了广泛的应用:例如在模式识别、自然语言处理、计算机视觉、专家系统、智能机器人等领域。神经网络是机器学习的重要方法。研究人员对神经网络进行了深入的研究,基于神经网络提出了各种算法,其算法在回归问题和分类问题中得到了很好的应用。极限学习机(ELM)因为具有简洁的理论以及易于实施的特点吸引了众多学者的关注。但是极限学习机仍然存在一些问题,例如在实际问题中数据的不规则分布、带有噪音以及离群点,都非常严重的影响了极限学习机的分类准确率;在有监督的学习中,数据样本的数量有限,会使得ELM算法学习不够充分而影响ELM算法的泛化能力。本文针对上述两个问题对极限学习机进行了研究,主要研究成果如下:为了有效的从高维图像数据中提取人脸图像的敏感信息以及提高人脸识别效果,本文提出一种基于流形学习的有监督稀疏排列的局部保持投影算法(SSLPP)的极端学习机(ELM)。SSLPP通过计算人脸图像数据的邻域信息动态确定人脸图像数据局部线性化邻域范围,准确获取人脸图像数据的全局和局部的判别信息,通过利用SSLPP算法能够更好的得到人脸图像的判别信息进而提高ELM分类器的分类性能。由于在有监督学习中数据样本有限导致ELM算法在高光谱遥感图像分类中,存在着学习不充分的问题。为了克服上述问题,本文提出一种局部保持投影极限学习机(LPELM)。该算法不仅继承了ELM的优点,而且考虑到了数据点间的几何结构及潜在的判别信息,从而提高了ELM的泛化性能和分类准确率。实验结果表明,这两种优化的算法应用到人脸图像和高光谱遥感图像中取得了很好的分类效果。