近年来，随着多媒体技术、数字化等技术的快速发展，机器学习领域得到了迅速的发展。极限学习机(ELM)作为一个有竞争力的机器学习算法，以其简洁的理论和易于实施的特点吸引了越来越多学者的关注。在分类和回归等问题中，极限学习机得到了广泛的应用，并表现出了良好的效果。然而在实际问题中，由于数据维数过高、含有噪音及离群点等问题，降低了极限学习机的分类准确率。针对上述问题，本文对极限学习机进行了研究，主要研究成果如下：　　（1）为了解决数据样本维数过高、降低极限学习机分类准确率的问题，提出一种有监督稀疏排列的局部保持投影降维算法（Supervised sparse locality preserving projections, SSLPP）。通过计算数据的邻域信息动态确定数据局部线性化邻域范围，准确获取人脸图像数据的全局和局部的判别信息。这样能有效消除数据样本包含的冗余属性对激活函数的影响，进而可以有效避免隐层节点输出矩阵的不适定问题。　　（2）针对现有ELM算法在处理噪音及离群点存在的问题，提出一种修正的模糊极限学习机(Modified fuzzy extreme learning machine, MFELM)。MFELM继承了ELM良好的学习能力和泛化能力，与现有的 ELM算法相比，MFELM在处理噪音及离群点时具有更好的鲁棒性。