极限学习机（Extreme Learning Machine,ELM）作为一种有效算法,已成为机器学习领域新的研究热点。与其他基于梯度的方法相比,ELM可以在更低的计算成本的基础上带来更好的泛化能力,并被应用到监督和无监督学习任务中。然而,传统ELM方法的损失函数为平方损失,容易放大数据中噪声和异常值的影响。其次,由于传统的ELM方法没有考虑到数据的流形结构,无法挖掘样本点之间的高阶几何信息,导致ELM方法的性能不稳定。除此之外,ELM的网络结构中含有大量冗余的隐藏层神经元,容易造成过拟合等问题。针对以上问题,本文对ELM的鲁棒性、稀疏性和分类能力进行改进提升,并应用于大量基准数据集和多癌整合数据集中,取得了令人满意的结果。具体的研究内容概括为以下四部分:（1）针对ELM对噪声和异常值敏感以及无法获取高阶几何信息等问题,提出了基于广义相关熵的超图正则化鲁棒极限学习机方法（GCHELM）。广义相关熵作为鲁棒的非线性相似性度量,能帮助模型抵抗异常值等干扰因素带来的负面影响。另外,为了降低神经网络模型的复杂度,将L2,1范数作为新的正则化约束。除此之外,超图的引入可以捕捉更多样本点之间的高阶几何关系,帮助获取更丰富、更准确的数据结构信息,提高模型的性能。（2）针对网络结构中有许多冗余的隐藏层神经元以及应对数据中的噪声等问题,提出了基于联合核风险敏感损失（KRSL）的极限学习机方法（JKRSLELM）。与L2,1范数相比,KRSL可以处理数据集中的高斯噪声和非高斯噪声,有效提高模型的鲁棒性。更重要的是,强大的结构稀疏诱导KRSL被集成到极限学习机正则项中,可以自适应地消除网络结构中潜在的冗余神经元,提高模型的泛化能力。（3）针对数据中含有大量无标签数据以及ELM鲁棒性较差等问题,提出了基于核风险敏感平均P次幂损失（KRP）的超图正则化鲁棒极限学习机方法（KRP-HRELM）。与其他损失函数相比,KRP对模型的鲁棒性提升更明显。另外,超图的应用可以帮助ELM探索更多采样点之间的高阶几何结构信息。此外,为了使模型能够学习和利用数据中的无标签数据,本研究将KRP-HRELM方法扩展到了半监督学习领域（SS-KRP-HRELM）,提高了模型的实际应用能力。（4）针对ELM学习能力较差而影响其分类能力等问题,提出了基于核风险敏感平均P次幂误差的鲁棒多层极限学习机方法（H-KRPELM）。通过将KRP集成到极限学习机自动编码器误差函数中,得到了基于KRP的极限学习机自动编码器（KRPELM-AE）,降低了传统的极限学习机自动编码器对噪声和异常值的敏感性。另外,将KRPELM-AE作为基础构建块,通过分层堆叠的方式构建多层神经网络,该模型可以更精准地学习到原始数据的特征表示,提高了模型的学习和分类能力。本文所提出的方法分别在基准数据集和癌症数据集上得到了应用,实验结果表明这些方法不仅可以有效的提高ELM的综合能力,而且要优于现有的同类方法。