宽度学习系统是一种新型的神经网络框架,它依靠特征节点和增强节点的横向扩展实现性能的提升。因其快速求解的计算特性、增量学习的功能特性以及横向扩展的结构特性,宽度学习系统受到越来越多的研究人员的重视,目前已经被广泛应用于智能制造、医学数据分析、通信工程以及自然语言处理等多个领域。宽度学习系统的成功,与时下大数据对计算速度的要求有着密不可分的关系。但随着数据规模和复杂性的进一步扩大,宽度学习系统有限的建模能力将无法满足未来多样化任务场景的需求。本文主要针对增强宽度学习系统及其变体在表达能力、泛化能力和可解释性等方面的关键方法展开研究。在当前宽度学习系统的研究过程中,如何突破模型的精度瓶颈,增强模型的表达能力和泛化能力,是进一步提升模型有效性的关键。由于宽度学习系统的可扩展性,该模型的重要变体——模糊宽度学习系统,同样也存在类似的问题。并且由于模糊宽度学习系统引入了模糊子系统,因此除了上述问题之外,如何平衡模型的精度和推理能力,是当前模糊宽度学习系统发展的另一重要目标。综上所述,本文的研究问题和内容可以总结如下:（1）针对模糊宽度学习系统的增强层的贡献未知,参数组合次优的问题,提出一种基于多聚类的稀疏增强模糊宽度学习系统。模糊宽度学习系统在宽度学习系统的基础上嵌入了模糊子系统,多个子系统协同工作以提升模型的性能。然而,该模型的增强层使用随机映射,并没有为模型整体带来清晰而显著的增益。因此,本文提出一种基于主成分的稀疏自编码器,用于提取模型增强层的关键特征,同时重构因降维而损失的有效信息。此外,本文还通过探索模糊宽度学习系统的不同组件和参数,确定当前结构下的最优性能。实验结果表明,本文获得的不同模型组合可以进一步提升模糊宽度学习系统的精度,其中EPFCM-SEFBLS在Heart、Wine、Vehicle、WDBC和IS数据集上分别取得了91.43%、99.88%、87.84%、99.16%和95.18%的精度,这验证了所提出模型的有效性。（2）针对模糊宽度学习系统精度和推理能力难以权衡的问题,提出一种更为紧凑的混合模糊宽度学习系统。作为新型的神经模糊模型,模糊宽度学习系统相比于其他神经模糊模型拥有更多的模糊系统,因此显著增加了模糊规则的数量,导致模型面临模糊规则爆炸和模糊规则重复的问题。本文将深度学习中的关键方法引入模糊宽度学习系统,使用Dropout方法减少模糊规则和模糊子系统数量。同时设计了一种基于稀疏自编码器的注意力机制,用于提升模型的增强层有效性,以弥补模糊子系统因规则裁剪造成的性能下降的问题。最后,使用专家混合模型促进不同方法的融合与协调。实验结果表明,该模型能够较好的权衡精度和推理能力,同时提升泛化能力。（3）针对宽度学习系统建模能力有限的问题,提出一种基于稀疏多项式权重RBF神经网络级联的注意力宽度学习系统。当面对复杂而纠缠的数据时,要获得令人满意的性能结果是一项艰巨的任务。本文基于多项式RBF神经网络和注意力机制相关方法,对宽度学习系统的局部映射能力和特征层的表达能力进行增强。采用无监督训练和有监督训练的两阶段训练方法,以分步学习方式提升模型的泛化能力,并产生正则化效果。实验表明,所提出的神经网络框架是一种映射能力更强的宽度学习模型,可以在提升模型性能的同时,保持较为显著的抗噪鲁棒性。在70%椒盐噪声的Yale数据库上进行实验,所提出的模型依然可以取得70.67%的识别准确率,证明了模型抗噪的有效性。