随着计算机性能的提升，神经网络的快速发展，选择合适的网络结构避免前馈神经网络出现的过拟合问题，求取更优的参数一直是研究的重点。针对高维度非线性系统回归以及数据分类问题，本文提出了基于交替方向乘子算法的l1正则化极限学习机算法，论文的主要研究成果如下:　　1.提出基于交替方向乘子算法(alternative direction method of multipliers，ADMM)的l1正则化极限学习机算法(l1-regularized-ELM)，并与偏最小二乘(Partial Least Squares，PLS)结合，提出基于偏最小二乘法的l1正则化极限学习机学习算法(PLS-l1-ELM)，为了提高网络模型精度，提出混合预测模型。　　在目标函数中加入l1正则化能产生稀疏模型，同时能够有效地避免由于隐含层结点过多而造成的过拟合问题，增强神经网络的稳定性和泛化能力。但由于加入了l1正则化惩罚项，目标函数不可微，在规定的计算复杂度下，用常规的凸优化方法很难求解最优值。本文介绍了ADMM分布式求解该凸优化问题的方法，其具有对偶分解和增广拉格朗日方法的共同特点，实验仿真表明提出的方法具有良好的性能。文章中用常微分方程(Ordinary differential equation，ODE)的方法给出了l1-regularized-ELM的收敛性证明。为了进一步提高预测模型的鲁棒性和精确度，本文提出了混合预测模型，即在先分别建立PLS，l1-regularized-ELM和PLS-l1-ELM三个子模型后，通过主元回归分析(Principal Component Regression，PCR)将三个子模型组合成一个混合预测模型。将PLS，l1-regularized-ELM，PLS-l1-ELM和混合预测模型分别用在航煤干点软测量中，证明了混合预测模型具有较高的建模精度。　　2.提出基于在线交替方向乘子方法的神经网络稀疏监督学习算法　　随着数据样本量越来越多，数据维度越来越大，很容易陷入“维数灾难”，而且真实数据中通常会有很多噪声或者无用的信息。如何在这些干扰信息下快速精准地获得数据模型至关重要，尤其是在线建立数学模型以及对数据进行分类是非常有意义的。根据递推最小二乘的思想，推导出递推形式的交替方向乘子算法，改进的交替方向乘子算法降低了算法复杂度，能够实现在线学习。实验结果表明，该算法针对具有较高维度的数据处理问题具有更好的建模效果和更高的分类精度。