二十一世纪以来，人类加快了对海洋资源探索的步伐，在大洋深海的中存在的大量的海洋资源，因此各个国家都在积极争取各自的海洋利益。在探索海底矿产资源的过程中，通过各种手段获得的大量数据存在缺失的情况，而处理缺失数据的矿产资源评价算法研究较为滞后。本文旨在研究能够处理带缺失数据的机器学习算法，以实现对海底矿产资源数据的利用和矿产资源的评价。极限学习机（ELM）是近年来机器学习算法中较为成功的一个，其具有速度快和泛化能力强的特点。稀疏贝叶斯ELM（SBELM）算法和TROP-ELM算法是标准ELM算法最新的两个变种，SBELM算法能够解决多分类问题，TROP-ELM能够解决回归问题。与标准ELM算法相比，以上两种ELM算法的变种不仅保留了ELM算法的优点，还能够得到更加紧凑的网络结构。然而，以上两种算法无法处理带缺失数据的数据集。为了解决这个问题，本文提出了两种基于ELM的处理缺失数据的方法，分别是：处理缺失数据的加性模型方法（Additivemodels for missing data，AM-MD）和处理缺失数据的自调节神经元状态模型（Self-adjusting neuron state models for missing data，SNSM-MD）。在UCI公开数据集上的实验结果说明了改进的SBELM算法和TROP-ELM算法与其它处理缺失数据的方法比，具有更好的泛化能力和效果。不仅如此，即使数据集中属性值缺失率达到50%，本文提出的ELM改进算法仍然具有较好的效果。最后，本文将改进的TROP-ELM算法用于带缺失数据的大洋海底钻孔数据的回归分析。