极限学习机（ELM）原理是利用一种基于单隐层前馈网络的学习算法,采用随机的方法确定输入层和隐含层之间的权值和偏置,通过分析的方法则可以进一步确定了输出层的权值,ELM克服了存在于基于梯度网络算法上的很多不足,如陷入局部极值、不合适的学习速率、学习速度较慢等,但ELM也存在着过拟合的隐患且单个算法稳定性相对较差。本文对此的研究工作如下:针对上述问题,本文提出了多样性正则化极限学习机的集成模型（DRELM）,DRELM基本思想是首先从改变隐含层节点参数的分布来为每个ELM随机选取输入权重,采用LOO交叉验证的方法来寻找每个基学习器的最优隐节点数,计算并输出最优隐含层输出权重,训练出较好且具有差异性的基学习器。然后将有关多样性的新惩罚项显式添加到整个网络目标函数中去,迭代更新得到每个基学习器的隐含层的输出权重,最后,集成所有基学习器的输出结果并对其求平均值,得到了整个网络模型最后的输出结果。该方法能够有效地实现正则化极限学习机（RELM）的融合,兼顾准确率和多样性。在10个不同规模的UCI数据集上得到的实验结果都表明所提出来的研究方法是行之有效的。由于一般情况下极限学习机的隐含层参数是随机选择的,这必然也容易导致一些隐藏层节点利用效率较低,并且靠近分类边界的样本可能会被误分类。为了解决这一类问题,并且能同时提高模型的训练速度和稳定性,我们提出了一种新模型,称为基于约束和特征选择的多样性正则化极限学习机的集成方法（C-DRELM）。该方法是基于DRELM算法进行了改进,通过利用不同类间样本的差异来形成差异向量集的方法计算输入层到隐藏层之间的权重和偏置,从而代替以往随机选择的方法。然后再通过嵌入式特征选择的方法去掉冗余的信息,使得模型的训练速度得到了提升。最后再根据带有多样性和正则化项的目标优化函数迭代更新每个基学习器的网络输出权重。实验结果表明,C-DRELM算法比ELM、C-ELM、DRELM算法的性能和鲁棒性更高。