神经网络在模式识别领域有着重要的应用,一定程度上推动着尤其以分类器为代表的快速发展。本文在这一背景下,以模糊神经网络及快速学习机为基础,开发了四种基于神经网络的分类算法,着重提高分类器的运行速度和分类精度,并将其性能进行了比较。首先,提出了以基于数据质心的模糊极大极小神经网络的自适应分类器。使分类器的权值可以根据不同的样本分布进行在线更新,不断地增强分类器的学习能力,同时增强了其在线操作的可能性,并采用遗传算法完成最佳的参数寻优,提高了分类器的精度。鉴于模糊极大极小自适应分类器在结构上的冗余性,继续提出了基于PCA和AGA的改进型模糊极大极小神经网络。为超盒引入置信度的概念,增强其鲁棒性。重写超盒生成规则并提出新的隶属度函数来解决之前所有该类分类器都无法解决的模糊区域纠纷。同时采取FMNN的网络结构,PCA的数据降维及自适应的参数寻优都为网络的快速高效提高了保障。不同于模糊神经网络,快速学习机有着无可比拟的学习速度但分类精度有待提高。本文针对极限学习机的改进,提出了集成神经网络的学习方案,通过神经网络的合作来弥补单个分类器分类精度不足的缺陷。最后提出了由包括极限学习机在内的三种不同网络组成的集成神经网络分类方案,并完成了仿真验证。最后针对单个极限学习机,提出了基于改进混沌粒子群的参数寻优方案,解决了其网络权值易陷入局部最小的问题,提高了其分类精度,并将其与基本极限学习机与模糊极大极小神经网络的性能进行了比较。