随着信息技术的不断发展,以神经网络为载体的深度学习逐渐成为了现阶段各种先进技术的代名词。神经网络技术从上世纪出现以后,各种基于神经网络的模型逐渐用来解决实际场景中的各种问题。特别是在2012年的大规模图像分类竞赛中,基于深度学习的模型将分类结果提升了11个百分点以后,便促进了现阶段深度学习浪潮的形成。深度学习技术将人们从繁杂的人工设计特征转换成了自动学习有效特征,强化模型抽象学习的能力,极大的促进了图像识别、图像检测、语音识别、追踪等技术的发展。极速学习机自从2004年提出以来,在过去的十几年间,有了长足的发展。首先各种理论研究的出现为极速学习机的发展奠定了坚实的基础,其次基于极速学习机的应用,将其拓展到了真实场景中。不过在极速学习机中,不管从权值初始化还是更为有效的特征表达以及深度学习模型上,都有许多问题需要解决。本文从极速学习机入手,探索了其权值初始化和分布式表达,并且提出并验证了卷积极速学习机。本文将通过如下三个方面开展:首先,对权值初始化进行了研究,探究了权值初始化对于极速学习机的影响。所提出的方法可以解决极速学习机的随机特征表达不具有紧凑性和判别性的问题,同时为其他方法提出了一个快速有效的权值初始化的解决方案;其次,对于极速学习机的特征表达进行了研究。分布式表达是特征表达中比较常用的方式,在极速学习机不需要权值调整的前提下,提出了基于极速学习机的分布式特征表达方式,不但可以将类别信息通过特征组合引入模型结构中,而且提高了极速学习机的性能;最后,通过对于全链接和卷积神经网络关联的探究,提出了基于分布式表达的卷积极速学习机,将极速学习机从卷积方面拓展到了深度学习层面。卷积学习由于是对于局部感受野的学习,能够保留更多的局部信息,使其特征表达方式更为具有代表性。极速学习机便通过卷积化的操作,获得了更为抽象和具有代表性的卷积层特征。这不但将卷积学习和极速学习机进行了融合,而且所提出的结构也取得了非常好的结果。