极限学习机（Extreme Learning Machine，ELM）是一种新型的单隐层前馈神经网络，由于其具有结构简单，学习速度快，以及良好的泛化性能等优点正日渐受到众多研究学者们的青睐。但是，该算法稳健性不强，易受外界干扰，针对这一问题，本文改进了极限学习机算法的输出权值估计方法，提出一种基于稳健估计的采用加权最小二乘方法取代最小二乘计算网络输出权值的鲁棒极限学习机，大幅提高了系统的抗差性能。本文研究内容如下：（1）阐述了神经网络的基本理论及其学习训练方法，并深入研究了极限学习机算法，总结了极限学习机在国内外的研究现状，比较了其相对于传统神经网络的优势，以及不足之处。（2）针对极限学习机鲁棒性不强，易受干扰等问题，我们引入稳健估计理论，并对其中的M估计做了详细的介绍。在保留了极限学习机的结构简单，学习速度快等优点的基础上，与M估计相结合，提出一种基于稳健估计的极限学习机算法（RRBELM），即利用迭代加权最小二乘估计替代鲁棒性较差的最小二乘估计来计算输出权值。如此，在赋予残差权重的时候便会根据样本的残差大小分配权值，降低了异常值的影响，达到降噪的目的。（3）为了验证RBELM算法的有效性，通过“SinC”函数逼近实验、UCI标准数据库的回归与分类实验，验证了该算法在保留了极限学习机的学习速度快、结构简单、泛化性能强等优势外，其抗差能力也明显得到了提升。（4）回转窑系统是一个典型的非线性、多变量、强干扰、强耦合以及大时滞模型。通过分析回转窑的工艺特点，将RBELM应用于经过特征提取的回转窑热工数据中，对喂煤量变化趋势分类问题进行预测。实验结果表明，此种基于稳健估计的RBELM算法，相较于传统神经网络以及ELM来说，具有更优的性能。