随着机器学习算法的日益成熟,人们在处理各类复杂数据上的经验也愈加丰富。让机器学习算法能够更好地处理复杂数据中的异常值,已经成为机器学习算法领域研究的重要课题。近年来贝叶斯统计推断解决了各种经典统计上的疑难问题,在保险精算、质量控制与评估、工程的可靠性评价等众多领域有着成功的应用。贝叶斯推断通过反复迭代的方法,使用新数据不断更新对未知参数的认知,这样的特性使得贝叶斯推断对数据有着较强的适应能力,在训练模型的时候可以充分地学习到样本数据信息,从而对未知参数有更深入的认知,这也让贝叶斯推断在处理含有大量异常值数据时有更健壮的表现。随机配置网络（SCN）是随机权神经网络的一个重要创新,它避免了传统神经网络无法解决的弊端,也解决了随机向量函数链接（RVFL）网络在权重参数选择上的弊病。但是随机配置网络在估计输出权重的时候使用的最小二乘法,使随机配置网络在面对噪声数据的时候表现欠佳,受异常值的影响会比较明显。针对这一问题,本文提出了基于随机配置网络的贝叶斯岭回归算法（BSCN）。首先,随机配置网络使用有效的监督机制选择网络的输入权重和偏差,并根据模型的残差逐步增加隐藏层神经元的个数,保证了算法优异的泛化能力和稳定的网络性能,也使得随机神经网络节点数得以优化。将贝叶斯推断应用在随机配置网络中,优化了输出权重的估计方式,减小了算法受到异常值的影响,有效地提升了算法的鲁棒性的同时,也保留了随机配置网络的优点。并在此基础上将BSCN应用在集成回归学习算法的框架中,提出了基于随机配置网络的贝叶斯岭回归集成算法（Bagging-BSCN）,进一步提升了算法的泛化能力和稳定性。通过在仿真数据和标准数据集上的实验结果对比表明,基于随机配置网络的贝叶斯岭回归集成算法（Bagging-BSCN）相对于随机配置网络算法以及另外一种随机权神经网络在面对噪声数据时表现更优越。