深度学习目前无论在理论研究还是实际应用上都已经达到了前所未有的高度。现实生活中很多相对复杂的问题都能通过深度学习来解决。然而,深度学习网络结构大都比较复杂,往往不能在期望时间内有效地解决问题。极限学习机依靠快速的学习能力,强大的拓展能力和泛化性能以及不易陷入局部最优等优点,吸引着世界各地的学者以它为基础促进各自领域地发展。但是,极限学习机的单隐层网络结构极大限制了其特征映射的能力,在解决高维大数据问题时往往显得力不从心。综合以上两种思想,近几年学者提出了许多极限学习机与深度学习优势互补的模型,如双隐层极限学习机,多层极限学习机等。这类网络通过多层的网络结构提取原始数据的高层抽象特征表示,同时基于极限学习机思想快速对网络参数寻优,在快速学习的基础上还能提取输入数据的高层抽象特征。本文主要针对极限学习机浅层结构的缺点,在算法网络层数以及网络权值的计算方法上做了一些改进,具体工作如下:1.在网络结构上对前人提出的双隐层极限学习机进行改进,在解除原双隐层极限学习机两个隐层节点数相等限制的同时减少了广义逆矩阵的计算次数。无论在学习速度,测试精度以及网络灵活性,改进的双隐层极限学习机相比于原双隐层极限学习机都有一定程度的提升。2.基于分层极限学习机的分层思想提出了一种新的多层网络结构——融合分层极限学习机。该极限学习机的特征提取部分采用基于极限学习机的自编码器重构原始输入特征,同时引入奇异值分解法更好地表述特征。分类部分采用本文提出的的改进双隐层极限学习机。另外,通过Relu激活函数的稀疏激活性获得原始数据的稀疏特征表示。3.提出了一种融合分层极限学习机的参数优化模型,叫做正则化融合分层极限学习机。在融合分层极限学习机特征提取部分,正则化融合分层极限学习机不仅对权值进行L2范数优化,同时还加上L1范数约束条件,从而得到既能有效减少过拟合现象的出现又能获得网络稀疏性的网络结构。为验证算法有效性,针对不同的算法本文共选取了 14个不同的数据集。为全方位比较两种双隐层网络,本文选取了十多个不同类别,不同维度的数据集用作对比实验。为了比较融合分层极限学习机和分层极限学习机的特征提取和分类能力,本文选择了三种代表性地图片数据集;为了证明正则化融合分层极限学习机能弥补融合分层极限学习机在测试小数据集上的缺陷,本文从上述数据集中选择部分小数据集进行实验。相关实验结果证明了文本提出的算法的合理性。