人工神经网络(Artificial Neural Networks, ANNs)是理论化的人脑神经网络的数学模型,其已有相当广泛的应用.相对于传统的人工神经网络算法,随机权神经网络(Neural Networks with Random Weights, NNRW)算法不但训练速度快,而且逼近性能较好,因此,它越来越受到人们的关注,并已被广泛应用于各领域之中.　　本论文首先分析了三种不同的稀疏重构算法在音频信号重构中的优缺点,这三种算法分别是正交匹配追踪算法、迭代收缩阈值法、增广拉格朗日乘子法.这一部分使我们深入理解稀疏重构算法.　　然后,针对随机权神经网络算法,结合稀疏重构算法及集成学习的思想,提出了两种有效的算法——稀疏正则化算法和自适应的随机权神经网络算法.随机权神经网络虽然是一种有效的前馈神经网络(FNNs),尤其是内权和偏置值的随机选取极大地提高了网络的学习速率,并克服了其他学习算法的一些不足.但是,其在计算外权的过程中也存在着缺陷,比如稳定性较差,计算内存消耗过大.我们就此缺陷提出了一个新的算法——稀疏正则化算法.我们结合梯度投影算法给出了一种随机权网络外权的迭代解,并提出了相应的参数选择方法和算法终止准则.实验说明所提出的算法具有优势,尤其是当隐层神经元数较多和训练样本较大时,所给出的算法仍就可以计算外权,不仅有更好的稳定性还可以有效的避免过拟合现象.　　最后,结合集成学习的思想,我们把随机权神经网络算法当作一弱分类器,给定对应的分布权值的迭代公式和误差公式,通过实验,验证了新算法可以大大提高原随机权神经网络算法在二分类和人脸识别中的训练和测试精度。