摘要：极端学习机因其学习速度快、泛化性能强等优点，在当今模式识别领域中已经成为了主流的研究方向；但是，由于该算法稳定性差，往往易受数据集中噪声的干扰，在实际应用中导致得到的分类效果不是很显著；因此，为了提高极端学习机分类的准确性，针对数据集样本中带有噪声和离群点问题，提出了一种基于角度优化的鲁棒极端学习机算法；该方法利用鲁棒激活函数角度优化的原则，首先降低了离群点对分类算法的影响，从而保持数据样本的全局结构信息，达到更好的去噪效果；其次，有效的避免隐层节点输出矩阵求解不准的问题，进一步增强极端学习机的泛化性能；通过应用在普遍图像数据库上的实验结果表明，这种提出的算法与其他算法相比具有更强的鲁棒性和较高的识别率。