极限学习机(Extreme Learning Machine,ELM)实质上是一种改进的单隐含层的前馈神经网络,其中输入层与隐含层之间的参数是随机生成的,隐含层与输出层之间的连接权值是通过最小二乘法计算获得。ELM具有学习速度快、泛化性能好等优点。近年来,ELM已广泛应用于实际并取得了良好的效果。然而实际中,ELM也有一些缺点,诸如随机参数导致的结果不稳定、结构较浅导致的较差的特征处理功能等。核极限学习机(Kernel Extreme Learning Machine,KELM)是对ELM的一种改进模型,将支持向量机中的核函数理论引入ELM中,使得ELM的泛化性能得到提高、稳定性得以保持。与ELM相同,KELM在回归、预测等方面都取得了较大进展。一方面,KELM在训练与分类过程中都利用了矩阵运算,这无疑增加了时间复杂度;另一方面,很多数据集例如自然图像等是一种冗余度高的图像,但KELM的结构较浅,不足以对这部分数据有较好的特征提取。因此本文对KELM展开研究,并进行改进,将其应用于模式识别,构建一套图像识别系统。本文的主要工作如下:首先,提出了一种基于正规方程式的核极限学习机(KELM Based on Normal Equation,NE-KELM),此算法将正规方程式理论应用于KELM,利用正规方程式计算KELM的输出权重,在识别过程中减少了矩阵计算的数量,降低了实现算法的时间复杂度。此算法在多个数据集上进行了仿真实验,与其他算法的结果相比,NE-KELM得到了较好的实验结果。然后,本文结合核极限学习机与特征降维理论,提出了一种改进的核极限学习机模型。该方法首先对样本特征信息进行降维,利用主成分分析法(Principal Component Analysis,PCA)和线性判别分析法(Linear Discriminant Analysis,LDA)相融合的算法进行特征降维;然后利用KELM对数据进行分类。将本方法在不同的数据集上进行了实验对比分析,证明了其优越性,得到了较好的结果。最后,将该算法模型构建成一个肿瘤图像识别系统,拥有可视化界面,这个系统主要实现了算法模型的训练与胃上皮肿瘤细胞的识别分类。本文对KELM算法进行研究,提出了两种改进算法,并将其应用于数据分类与肿瘤图像识别方面,仿真实验表明出本文所提出的两种改进方法提高了极限学习机算法的性能。