随着人工智能不断发展以及各种各样机器学习算法的涌现,人工神经网络成为了当下最为火热的研究方向之一,其以模拟神经系统运行机理以及组织结构的方式,依靠网络自身优秀的信息处理能力,实现了在复杂环境中进行学习。宽度学习系统（Broad Learning System,BLS）是近几年来提出的一种新兴的扁平结构人工神经网络,凭借灵活的结构以及动态更新的快速性,在分类和回归问题上有着出色的表现,成功应用在图像识别、工业检测等领域。然而在面对大规模图像建模任务时,现有的BLS算法需要进行矢量化操作,无法直接处理二维输入数据,模型构建的效率低;此外,在实际应用时经常面临“孤岛式”数据场景,由于存在隐私等条件限制,BLS难以有效整合数据进行建模,建模效果不佳。因此,本文在BLS现有成果基础上,着重研究基于二维宽度学习的协同建模方法,在图像建模任务中模型构建更加快速高效,并在本地数据不共享的前提下实现多方协同建模。主要工作内容与创新如下:（1）提出了一种面向二维空间的宽度学习系统。针对宽度学习系统在大规模图像数据建模任务中需要进行矢量化操作,导致建模复杂耗时,甚至出现“维度爆炸”的问题,通过引入左,右投影矢量建立二维宽度学习系统（Two Dimensional Broad Learning System,2D-BLS）,并设计了不同策略下的增量算法,实现对二维图像数据的直接处理,降低建模的计算复杂度,显著提升建模效率。为后续章节的研究奠定了理论基础。（2）在二维宽度学习系统的基础上,提出了一种多客户端协同建模的方法（Two-Dimensional Broad Learning System Based on Cooperative Modeling Strategy,BC-2D-BLS）。针对在实际应用中的“孤岛式”数据场景,本地2D-BLS模型性能难以提升,且受隐私等条件限制,本地模型无法与其他模型共享数据实现联合建模的问题,本文通过引入一致性策略建立无中心化的协同建模网络架构,并通过构建增广拉格朗日函数,利用交替方向乘子法实现对网络整体权值的迭代更新。另外还在协同建模方法中引入不同增量策略,实现动态更新的同时,提升BC-2D-BLS协同建模网络的整体性能。（3）将本文提出基于二维宽度学习的协同建模方法应用于电路板缺陷检测的工业实例,建立了电路板缺陷识别分类模型,并从建模效率以及协同建模效果两方面开展实验研究,结果表明基于二维宽度学习的协同建模方法能够有效满足实际的工业需求。综上所述,本文重点研究了基于二维宽度学习的协同建模方法,所开发的二维宽度学习算法有效提升了在图像建模中的学习效率,在此基础上所提出的协同建模方法在数据隐私保护的前提下实现了多客户端协同建模,提升了模型的性能,为机器学习领域提供了一种新颖的具有应用价值的学习方法。