作为一种新颖的随机学习模型,随机配置网络（Stochastic Configuration Network,SCN）已成功应用于诸多数据分析任务。深度SCN（Deep SCN,Deep SCN）有效提升了SCN的模型表达能力,相比其他深度神经网络,其能够在保持学习特性和泛化性能具有一致性的同时,实现模型快速有效地生成。然而,Deep SCN在训练过程中,采用的是点增量建模方法,在处理工业大数据时会导致训练时间过长。本文将块增量建模方法引入Deep SCN,并提出一种混合并行建模方法,使得Deep SCN在处理工业大数据建模任务时,更加快速和高效。主要成果如下:（1）针对在处理大数据建模任务时,Deep SCN采用的是点增量建模方法,会降低学习效率的问题。本文首先通过引入块增量建模方法,提出一种块增量深度随机配置网络（Deep Stochastic Configuration Network with Block Increments,Deep BSCN）,使得模型在建模时可以批量生成隐藏层节点,并证明了其无限逼近特性。然后,提出一种基于费雪信息矩阵的Deep BSCN,用于缓解Deep BSCN造成的冗余节点的问题。实验结果表明,块增量建模方法显著提升了Deep SCN的建模速度,并且基于费雪信息矩阵的Deep BSCN可以在一定程度上减少块增量建模方法所产生的冗余节点。（2）为了应对工业大数据所带来的挑战,提高Deep SCN的综合性能,本文首先提出了模型并行策略,在训练过程中,建立了Deep SCN和Deep BSCN协同构建策略。然后,为进一步加快Deep SCN在大数据建模任务中的建模速度,利用集成学习的思想,将数据并行与模型并行策略结合,提出一种模型与数据混合并行学习的深度随机配置网络（Hybrid Parallel Deep Stochastic Configuration Network,HPDSCN）架构。实验结果表明,HPDSCN的综合性能优于Deep SCN和Deep BSCN。（3）将本文所提出的HPDSCN应用于赤铁矿磨矿工业实例,建立了磨矿过程产品质量软测量模型,并通过实验证明了所提算法的有效性。综上所述,本文重点研究了Deep BSCN,并提出HPDSCN,有效加快了Deep SCN在工业大数据建模任务中的建模速度,提升了模型的综合性能以更好的满足工业大数据建模任务的需求。