由于我国处于环太平洋地震带和欧亚地震带之间,地震发生频繁,且破坏力巨大,往往造成巨大的人员伤亡和财产损失,给社会带来沉重的负担。近年来,我国发生了如河北唐山7.8级大地震、四川汶川8.0级大地震以及青海玉树7.1级大地震等,给国家带来极其严重的灾难,那些触目惊心的数据让人们心惊胆战,痛彻心扉。因此,如何在地震发生后的第一时间内对灾后损失进行快速评估是地震应急工作的必要前提和重要内容。震后死亡人数评估和经济损失评估是地震应急救援过程所需要的数据支撑,只有快速评估这两项内容,应急救援工作的开展才能更高效的进行。本文主要对震后死亡人数和经济损失的快速评估进行了研究,包括以下内容:首先,对主成分分析（PCA）和极限学习机（ELM）进行了学习和研究,针对震后快速评估问题,构建了基于主成分分析—极限学习机（PCA-ELM）预测模型,并对该模型的构建思想、构建结构、模型流程和结构设计等进行了详细的分析。其次,通过对影响地震死亡人数影响因素的分析,最终选取地震震级、震源深度、震中烈度、抗震设防烈度、人口密度、发生时间和预报水平7个参数作为影响地震死亡人数的指标。统计1973年至2017年期间80组地震案例数据,形成原始数据矩阵。通过对震后直接经济损失影响因素的分析,选取地震震级、震源深度、震中烈度、人口密度、设计基本地震加速度、受灾面积和全国人均GDP·受灾人口这7个参数作为影响震后直接经济损失的指标,统计1999年至2017年期间40组地震案例数据,并形成原始数据矩阵。再次,通过主成分分析对原始数据进行降维处理,计算出特征值、贡献率和累计贡献率,选取累计贡献率达到85%以上的主成分,计算得出主成分得分,作为ELM的输入因子。将样本数据按照7:1进行随即分配,前者作为训练集,后者作为测试集。最后,将PCA-ELM模型的预测值与未经PCA处理的ELM模型和BP神经网络预测结果进行对比,通过分析,得到该模型的预测精度更高,稳定性更好,可适用于震后快速评估。