极限学习机最早被提出用于训练单隐层前馈神经网络,与传统的前馈神经网络学习算法相比,不仅学习速度快,还能找到全局最优解,为回归和多分类任务提供了一种简单而有效的方法。近年来,虽然越来越多的学者对ELM的理论和应用研究产生了广泛的兴趣,但研究重点仍主要集中在有监督学习任务上。而实际应用中带类标签的数据不易获得,因此将ELM推广到无监督学习任务中是非常有必要的。本文以极限学习机为基础,针对降维方法展开研究,提出三种极限学习机降维模型,主要完成如下工作:1、子空间方法认为高维数据分布于多个线性子空间中,同类样本分布在同一个线性子空间中,不同类样本分布在不同的线性子空间中。因此,高维数据的多线性子空间结构中蕴含着判别信息。为使ELM降维过程中不丢失这一信息,本文提出基于子空间结构保持的极限学习机降维方法。该方法利用子空间技术学习高维数据的子空间结构,并在极限学习机投影过程中保持子空间结构。2、流形正则思想经常被用于降维方法中,如无监督极限学习机(US-ELM),其本质是使原空间中距离近的样本投影后也越接近。然而,在高维空间中样本间距离度量的类区分性随着维数增加而减弱。针对这一问题,本文对US-ELM进行改进,对样本的相似度进行学习,并使原空间中越相似的样本投影后距离越接近。在2个可视化实验和8个基因表达数据上的实验表明该方法的降维效果优于传统的降维方法。3、流形结构和子空间结构保持都已经被广泛应用于降维方法中,然而这类方法多数只考虑单一结构,可能丢失部分判别信息。为了充分地保留数据的判别信息,本文同时考虑数据的多线性子空间结构和低维流形结构,提出一种新的极限学习机降维方法。该方法将稀疏表示和近邻表示进行组合来表征数据的混合结构,并在投影过程中保持该结构。实验结果表明该方法优于只考虑单一结构的降维方法。