单个分类器在解决一些复杂问题时，往往得不到理想的处理效果，而将多个分类器组合在一起构建的集成系统通常能获得比单个分类器更优的稳定性和泛化能力。本文在分析集成极限学习机存在的缺陷的基础上，提出了一种基于加权投票的集成在线顺序极限学习机。该方法在优选单个极限学习机基础上进行有效集成，进一步提高了集成分类器的性能。结合基因表达谱数据特性，将改进的集成在线顺序极限学习机用于基因表达谱数据分类，获得了很高的癌症预测准确率。本文的主要工作如下:　　 1)提出了一种优选成员极限学习机的方法。高性能的成员分类器有利于提高集成分类器系统的性能。本文首先将训练集按一定比例分为训练集和验证集，用这两个数据集来训练在线顺序极限学习机，然后将各个在线顺序极限学习机在验证集上的分类准确率从大到小排列，选择其中分类准确率较大的在线顺序极限学习机来构建集成系统。　　 2)针对传统的利用平均值法作为集成决策的集成在线顺序极限学习机在实际应用中往往无法获得较高的识别率，提出一种基于在验证集上的分类准确率的加权投票的集成在线顺序极限学习机(IEOS-ELM)。该方法将单个在线顺序极限学习机在训练过程的分类准确率占总的分类准确率的比重作为该在线顺序极限学习机的集成投票权重。在四个标准分类数据集上的实验结果表明，这种方法能够以较少的成员学习机获得更高的识别率。　　 3)提出了基于微粒群算法和IEOS-ELM的基因表达谱数据分类方法。针对基因表达谱数据的特性，利用微粒群算法对成员在线顺序极限学习机进行初选，再利用输出不一致测度对初选的成员在线顺序极限学习机进行二次选择。两次筛选，不仅保证了各个在线顺序极限学习机的准确率，也保证了在线顺序极限学习机之间的差异度。在选好的成员学习机基础上，再用IEOS-ELM算法对基因表达谱数据进行处理。在三个常见的基因表达谱数据上的实验结果也验证了本文方法比传统方法具有更优的处理效果。