近年来,宽度学习系统在机器学习和时间序列分析问题上得到了广泛应用。针对深度神经网络存在的结构复杂、理论分析困难以及训练时间长等问题,宽度学习系统旨在从宽度上对网络进行扩展,只需要对单层权值进行优化,具有结构简单、训练速度快等优势。目前宽度学习系统的相关方法都属于集中式处理方法,需要一个中心节点来存储和处理所有的数据。但在实际应用中,数据可以由网络中的不同节点分布式地采集。由于能耗、计算能力和通信带宽等方面的限制,将所有数据传递给中心节点来构建宽度学习系统是不可行的。因此,将宽度学习系统应用到分布式网络中具有实际的应用价值。基于上述考虑,本文系统研究了分布式宽度学习系统,主要工作和创新点如下:首先,本文基于一致性策略对宽度学习系统目标函数进行去中心化,使用交替方向乘子法进行求解,推导出了基于一致性的分布式宽度学习系统。考虑到模型在宽度上扩展带来的冗余和过拟合问题,本文引入l_2,1范数进行稀疏正则化约束,进一步提出了基于一致性的稀疏分布式宽度学习系统。然后,针对流数据场景中的在线学习需求,本文基于扩散递归最小二乘方法实现模型参数的在线更新,推导出了基于扩散策略的在线分布式宽度学习系统。此外,本文引入了事件触发的通信策略,在保持较好学习性能的同时,进一步降低网络中的通信量。最后,本文借鉴局部感受野的思想,通过卷积层和池化层进行特征提取,对宽度学习系统的结构进行扩展。然后将其进行分布式实现,得到了基于局部连接的分布式宽度学习系统。本文在大规模图像分类问题中对提出的几种分布式宽度学习系统进行测试,以验证其有效性。仿真结果表明,本文的几种分布式宽度学习系统具有接近于相应集中式模型的结果,与一些已有分类方法相比具有较好的性能。