目前机器学习技术已被广泛应用于现实生活并为人类生活带来了极大便捷。其中尤以深度学习技术应用最为广泛,但深度学习算法往往由于太多参数需要训练,从而受制于训练资源限制,并且由于其使用反向传播算法来优化参数,模型训练经常耗费大量时间。而新提出的宽度学习系统（BLS）则提供了一种深度学习的替代方法,该方法节省了耗时的训练过程和强大的计算资源。但是,BLS网络中随机生成的特征节点及大量增强节点有可能会减弱最终分类器的性能。本文着眼于宽度学习的数据特征提取问题上,分别从有监督和无监督特征提取角度提出了两种不同类型的算法模型。首先本文从有监督特征提取角度出发,针对宽度学习网络随机生成的特征节点存在不可预测性问题,提出了一种自适应特征节点进化算法（AFNE）以提取到更好的特征,并以此为基础构建了基于特征进化的宽度网络算法（AD-BLS）,另外宽度学习神经网络通常需要大量的增强节点参数以确保其性能,因此容易导致特征之间的冗余性和依赖性,以及最终模型的性能下降,因此,本文还提出了一种基于特征进化的剪枝宽度网络（ADP-BLS）用于对网络增强层进行剪枝,删除冗余节点,减少网络规模,并增加泛化能力。所提出的算法ADP-BLS可以通过特征节点的进化和增强节点的剪枝来提高最终分类器的准确性和泛化性。为了印证ADP-BLS的网络性能,我们进行了大量实验加以佐证,同时我们进行了模块消融实验用来验证在宽度网络上所加入算法的改进作用。其次本文从无监督特征提取角度出发,在提出ADP-BLS算法分类器的基础上,针对传统深度自编码器训练耗时的缺陷,以宽度学习算法为基础,提出了一种新型自编码网络特征提取器。其中包括宽度自编码网络（BLS-AE）,以BLS-AE为基础模块构建的堆叠式宽度自编码网络（ML-BLS）,使用L1正则训练构建的宽度稀疏自编码网络（H-BLS）。这些以宽度学习算法为基础构建的自编码网络在训练上仍保留了宽度网络训练快速的优势,克服了传统自编码网络大量参数初始化后需要迭代优化的耗时缺陷,同时通过层层递进的编码解码方式可以学习到输入数据更高层次的抽象特征,而利用L1正则来训练参数则进一步增强了编码后特征的鲁棒性。最后综合无监督特征提取及有监督模型分类两大步骤,本文将主要研究工作进行了整合,使用ML-BLS,H-BLS作为特征提取器提取特征后,输入到ADP-BLS网络进行最终任务分类,从而形成特征提取到分类端到端的基于宽度自编码器的进化宽度学习系统。在现实世界数据集的大量实验表明,本文提出的算法相较于传统主流算法不仅具有快速训练的优势,同时兼具良好的性能。