极限学习机算法(ELM)有建模速度快,泛化能力强等优点,但在处理高维小样本的近红外光谱数据时,出现了样本成分含量预测结果不稳定、误差大等问题,本文针对近红外光谱的特点,对ELM算法应用堆叠策略,提出了堆叠极限学习机算法(stacked Extreme learning machines,SELM),并完成了基于SELM的中药过程分析系统原型的开发。本文主要工作如下:提出一种用于处理近红外光谱等高维小样本数据的堆叠极限学习机算法。近红外光谱数据样本量少、维度高,ELM在建模过程中遇到由于处理扁平矩阵而导致的建成的模型预测精度降低,稳定性差等问题。在SELM算法中,光谱数据的列属性被分为若干子段,每个子段都进行独立的ELM模型训练,然后对所有的子段模型进行加权集成,得到最终的SELM模型。集成过程中的权值是与各个子模型的均方根误差有关的,误差越大,其权值越小。给出了 SELM与ELM、PLS、SPLS等算法在公开近红外光谱数据集的样本成分分析结果。用公开的近红外光谱数据集验证SELM算法预测结果的良好的准确性,其中近红外光谱数据分段段数及每个分段的ELM模型中隐含结点的个数通过交叉验证的方法确定,提高了模型的稳定性。公开数据集用到了药片、啤酒、饼干三个数据集,其中饼干有四个目标理化指标:脂肪、蔗糖、面粉、水分。通过这三个数据集证明了 SELM算法的预测准确度较ELM、PLS、SPLS算法有显著提高。设计实现了一个基于SELM的中药提取过程分析软件的原型。该软件包括SELM数据预处理,参数设定,数据结果保存等流程和功能,并展示了此软件原型对中药提取过程分析的结果。其中中药数据是通过对包含四种药材(柴胡,延胡索,白芍,炙甘草)的混合物进行多批次煎煮、提取,并检测提取物中芍药甘成分浓度所得到的结果。用前六个批次的数据进行SELM建模,预测第七个批次的中药中芍药甘成分的含量,得到了较ELM,PLS,SPLS都高的准确性。