神经网络一直是模式识别领域中研究的热点。由于神经网络具有非常好的学习能力和泛化性能，以及其统一的结构、易于硬件实现和类似生物神经系统的工作实现机制等优点，神经网络已经广泛用于信号处理、信号分类、手写字符识别和图像分类等领域。　　近些年，神经网络的研究可以分为两大方向，分别是:以极速学习机为代表的神经网络快速学习方法研究;以深度学习为代表的神经网络性能提升研究。其中，在实际模式识别任务中，关于神经网络快速学习方法的研究更显得重要。这是因为，在实际模式识别任务中，数据比算法更重要。可以进行快速计算的模型可以利用更多的数据，从而性能超过复杂的模型。　　本文针对神经网络的快速计算问题，我们使用非迭代策略计算神经网络的隐含层权值，从而达到快速计算的目的。本文主要研究工作包括:　　(1)针对传统极速学习机(Extreme Learning Machine，ELM)在回归问题上的病态计算问题，结合支持向量回归，提出鲁棒回归方法，极速支持向量回归模型。该模型在连续回归问题上取得了优越的性能。该方法的隐含层使用极速学习机的随机投影机制。在输出层中，该方法基于(∈)-支持向量回归模型。在目标函数中，对斜率和截距同时求L2范数最小。同时，在约束项中采用等式近似处理。经过推导求解，我们得到了一个解析解。该方法可以鲁棒性地处理连续回归问题，同时具有非常快的计算速度。　　(2)针对极速学习机的完全随机隐层节点使用效率不高的问题，提出基于样本分布构建隐层权值的方法，约束极速学习机(Constrained Extreme Learning Machine，CELM)。隐层节点使用效率不高效，使得在实际中，我们必须使用很多隐节点，才能保证模型的性能达到需求。很多的隐节点意味着更多的训练和测试时间，和更易于过拟合。基于样本分布先验产生隐层权值，可以有效地提升模型的性能，同时保持相同的快速学习速度。　　(3)针对当前深度学习模型训练非常耗时，提出基于非监督学习的深度跨层学习模型。该模型使用非监督学习模型学习局部感受野特征，将先前层的特征跨接到最后一层，构建完备表示。同时，使用局部对比标准化和白化预处理各层的输入。我们分别使用极速学习机模型、自动编码机模型和主成分分析模型学习非监督局部感受野特征。实验结果证明，这些模型取得比同类模型优越很多的性能，同时具有比传统深度学习更快的学习速度。　　综上所述，本文针对神经网络中学习速度慢的问题，基于隐含层非迭代策略，改进深度学习和极速学习机模型。在设计模型时，我们在考虑模型泛化性能的同时，尽可能地使模型具有更快的学习速度。大量实验结果表明，本文提出的方法具有相对较好的性能，同时具有非常快速的学习速度。