随机赋权网络是一种单隐含层前馈神经网络,其输入层连接权和隐含层偏置用随机化方法生成,输出层连接权用分析的方法确定。极限学习机网络是一种特殊的随机赋权网络,是近几年机器学习领域的研究热点。极限学习机是一种简单有效的训练单隐含层前馈神经网络的算法,具有快的学习速度和好的泛化能力。极限学习机已成功应用于模式识别、计算机视觉、生物信息处理等许多领域。然而,极限学习机有两个问题,一个是网络结构难于选择的问题,另一个是预测不稳定性问题。针对这两个问题,本文提出了两种集成随机赋权网络的解决方法:(1)集成重复训练极限学习机方法,该方法首先用极限学习机算法重复训练若干个单隐含层前馈神经网络,然后用多数投票法集成训练好的神经网络,最后用集成模型对数据进行分类。(2)集成DROPOUT极限学习机方法,该方法是受DROPOUT技术的启发而提出的,但不同于传统DROPOUT技术的使用方法,本文提出的方法用DROPOUT确定基本分类器的结构,用极限学习机训练基本分类器,最后用模糊积分集成训练好的分类器。为了验证本文提出的方法的有效性,在多个数据集上与原始的极限学习机及集成极限学习机方法进行了实验比较,并对实验结果进行了统计分析。实验结果及对实验结果的统计分析显示,本文提出的方法优于极限学习机和集成极限学习机。此外,本文提出的方法能有效解决前面提到的第一个问题,能改进预测不稳定性,在一定程度上解决了第二个问题。