传统的ELM优化算法关注的焦点都在隐含层输出权重上面,忽视了隐含层输入与输出的分布方式,针对这一容易令人忽视的方向,本文提出了基于高斯分布优化仿射参数的极限学习机模型,具体研究内容如下:针对让隐含层输出强制服从均匀分布效果不佳的问题,提出了在高斯分布下优化仿射变换的极限学习机（Extreme Learning Machine for Optimized Affine Transformation Based on Gaussian Distribution,GAT-ELM）模型。模型中引入服从高斯分布的仿射参数,利用梯度下降算法（Gradient descent algorithm）进行寻优,让隐含层输入数据服从高斯分布,通过Sigmoid激活函数映射得到的隐含层输出数据同样服从高斯分布。模型采用RELM（regularized ELM）算法中LOO（leave one out）交叉验证策略,引入SVD（Singular Value Decomposition）算法,计算出隐含层输出权重。该模型具有良好的泛化性能,提高了模型鲁棒性。利用6种图像数据集和12种UCI数据集,划分成小中大三种样本量,进行全方位系统性实验,充分表明了所提出的模型对实际应用具有良好的泛化能力与稳定性。针对样本量大复杂度高的数据集一般ELM模型对其泛化能力较差的问题,提出了带有仿射参数的多核极限学习机（Multiple Kernel Extreme Learning Machine With Affine Transformation,ATMK-ELM）模型。模型中在多核极限学习机（Multiple Kernel extreme learning machine,MK-ELM）的基础上引入仿射参数,并利用梯度下降算法进行寻优,让样本数据服从高斯分布,消除了离群点。模型采用AT-ELM（Affine Transformation ELM）算法中对隐含层输入数据进行线性映射的方法来让原始数据服从高斯分布,对优化后的数据进行多核学习,不需要显示地定义特征空间和映射函数,在比较复杂的分类和回归等数据集中,用核映射代替随机映射,改善了隐含层节点随机赋值带来的泛化性能和稳定性差的情况,实验结果表明,在复杂样本量大的数据集中,ATMK-ELM算法对比ELM、RELM、MK-ELM、GAT-ELM表现优异。