在这个信息高速发展的时代,数据繁冗复杂,如何充分地分析挖掘数据,从中提取有效的潜在信息和关键特征,对数据进行表征学习成为机器学习领域中的研究重点之一。现有的表征学习算法大体可分为基于矩阵分解和基于神经网络两种。近年来,随着数据的多样性、复杂性以及数据量的增大,基于矩阵分解的方法在表征学习问题上对效果的提升已经有了明显的制约,研究者们多数转向基于神经网络的深度学习进一步进行研究。目前,大多数的深度学习算法,如深度信念网络(DBN)、卷积神经网络(CNN)、递归神经网络(RNN),采用迭代更新参数的方法进行训练,存在参数较多、模型复杂、训练效率低等问题。极限学习机(ELM)具有训练参数少、学习速度快、泛化能力强等特点,鉴于其高效性,近几年研究人员致力于研究如何将ELM拓展到深度学习框架中,以解决深度学习的训练耗时、计算复杂的问题。针对现有基于ELM的深度学习算法存在的未充分考虑全局结构信息的不足,本文首先结合图嵌入框架提出一种新的极限学习机自编码器(GDELM-AE),在ELM空间中挖掘数据的局部近邻结构信息和全局结构信息。在GDELM-AE中,采用局部Fisher判别分析构建了图嵌入框架下的本征图和惩罚图。进而,通过堆叠多个GDELM-AE提出了深度框架下的堆叠图嵌入去噪极限学习机(SGD-ELM)算法。在多个标准数据集上的实验结果显示,与已有算法比较,所提算法获得了更高的精度并具有较快的训练速度。这验证了GDELM-AE能够对原始数据进行更全面的特征表示,并且对噪音数据具有鲁棒性,SGD-ELM易于获取数据的高层次抽象特征。现有基于ELM的深度学习算法大多忽略了原始数据的空间关系,传统深度神经网络存在参数较多、训练困难等问题,针对此问题,本文提出了基于AdaBoost集成极限学习机的多粒度级联(gcAWELM)算法。利用集成的极限学习机作为基础模块,采用级联结构进行特征学习,不同的集成极限学习机有利于提取多样性的特征,并且采用多粒度扫描的方式充分考虑原始数据的空间结构关系,通过多粒度扫描和级联结构进行表征学习。该算法可以自适应地选择级联的级数,具有参数少、训练简单的优点。在不同规模的图像数据集上的结果表明提出的gcAWELM具有良好的表征能力,在不同的学习任务(图像分类和人脸识别)中即使采用统一的参数设置,也能取得良好的表现。