在科技发展日新月异的时代,各类信息的传播速度呈指数式增长,人们越来越多地利用计算机处理各类问题。神经网络作为机器学习、图像识别和各类网络技术的核心内容得到了广泛的研究和应用,已成为解决各类机器学习问题的重要方法之一。其中,图像分类作为机器视觉基本的研究问题,逐渐成为图像识别和模式识别等领域的重要研究内容。因此针对图像分类的算法和结构进行研究具有重要意义,而基于局部感受野的极限学习机凭借更加高效的训练方式和更易于理解的推导理论吸引了越来越多的学者关注。然而在各类图像分类问题上,基于局部感受野的极限学习机也存在着提取特征不充分、单层网络提取深层语义信息能力不足、在处理大尺寸图像时具有一定局限性等问题。因此,本文围绕基于局部感受野的极限学习机进行研究,对此网络模型进行优化和改进,以提高网络的图像分类性能。本文具体研究工作如下:首先,针对基于局部感受野的极限学习机提取图像特征信息不充分的问题,构建一种区域渐进增强的近似核网络。该网络对原始图像进行区域渐进增强,并将此图像与原始图像并行输入网络。利用局部感受野提取出图像细节特征,极限学习机自编码器训练出的全局感受野用于提取全局轮廓特征,从而充分利用图像中的局部和全局特征信息。在特征分类时,将多核近似映射出的低秩矩阵作为网络隐藏层,以求解网络输出权重,实现各部分特征的优势互补,并通过实验验证该网络的训练效率和分类能力。其次,针对网络通道数不足和单层网络无法提取图像中更多的色彩信息和深层次特征信息等问题,提出基于余弦相似性的三通道感受野近似核极限学习机。将原始图像进行RGB三通道分离,局部和全局感受野用于对三个通道的图像进行多层卷积池化。利用余弦相似性度量计算特征之间的余弦相似度,并将此相似度矩阵作为求解网络输出权重的信息矩阵,充分利用特征之间的关联信息。近似核映射的方法降低特征维数,缓解高维特征对网络性能的影响,增强特征的表达能力,进一步提高网络的整体分类性能。最后,针对所提出的改进网络在处理大尺寸图像时分类能力不足等问题,提出空间金字塔与局部感受野结合的相关熵极限学习机。该网络通过引入空间金字塔模型,以提取更多特征空间分布信息。将SPM特征与局部感受野进行结合,利用感受野对不同层级特征分布图进行特征提取。利用余弦相似性度量对网络权重进行约束,在传统训练方法基础上构建基于相关熵准则的模长与余弦相似性的判别性约束,推导出相关熵更新公式以训练网络输出权重,并通过实验证明该网络在大尺寸图像分类任务中的有效性。