极限学习机（ELM）只是随机分配输入权重和偏差，不可避免地导致某些随机行为并降低泛化性能。 在本文中，我们提出了一种ELM的元学习模型，称为Meta-ELM。 Meta-ELM体系结构由几个基本ELM和一个顶级ELM组成。 因此，Meta-ELM学习分两个阶段进行。 首先，在训练数据的子集上训练每个基本ELM。 然后，以基础ELM作为隐藏节点来学习顶级ELM。 对一些人工和基准回归数据集的理论分析和实验结果表明，所提出的Meta-ELM模型是可行和有效的。