极限学习机(Extreme learning machine,ELM)本质上是一种前馈神经网络的改进模型,由于该算法具有参数设置简单并且学习速度快的优点,因此其应用范围广泛、相关算法研究不断增多。极限学习机通过系统随机给定输入层权值的方法来获得隐含层随机映射,隐含层权值是采用最小二乘法通过一次计算而获得,这一特点使得其学习速度非常快。本文对极限学习机算法展开研究,针对极限学习机的一些缺陷进行改进,提出两种新的极限学习机模型,并将其应用于图像复原和糖尿病检测,改善了极限学习机的性能,拓宽了极限学习机的应用。本文的主要研究工作如下:(1)为了改善极限学习机网络的稳定性、提高其泛化性能,正则极限学习机通过引入正则化理论并结合统计学风险知识,最终使得经验风险与结构风险的比例得到调和。本文将正则极限学习机用于恢复受高斯模糊影响的图像,与BP网络和均值滤波复原算法相对比,其在训练速度、复原效果上均有很好的表现。(2)核极限学习机是在引入了核函数理论基础上,采用核映射作为隐含层输出,其稳定性更好,显示出比随机映射的优越性。但是当样本过大时,核极限学习机通过求解逆矩阵来获得输出权值的方法在时间、空间复杂度上表现不佳。因此本文提出了一种基于共轭梯度的核极限学习机,通过引入共轭梯度算法来求解核极限学习机中的逆矩阵,能够在学习速度上具备优势,并且实验显示占用的内存降低,在计算机上具备更好的可行性。将改进后的核极限学习机用于高斯模糊图像的复原,并与BP网络和均值滤波作对比试验,结果显示所提出的改进核极限学习机在时间、效果等方面具有优势。(3)本文提出一种流形正则化核极限学习机模型。引入了流形正则化理论,通过构建拉普拉斯矩阵的方法用于改进核极限学习机的学习算法。仿真实验验证了流形正则核极限学习机良好的泛化性能,虽然增加了时间消耗,但是在效果上依然表现良好,不失为一种新方法。