本发明公开一种基于深层极限学习机的危险源识别方法，该方法采用的深层神经网络由深层结构模块和单隐藏层神经网络模块两部分组成，包括如下步骤：利用SVM将危险源信息划分到不同的领域分类中，并将不同的领域分类集输入到相应的网络模块中；对每个网络模块使用S‑ELM算法，得到各深层网络的预识别结果；将深层网络预识别结果组合作为顶层神经网络的输入；根据ELM算法和激励函数，计算单隐藏层ELM的初始隐层输出和输出权重；根据改进的反向传播算法，确定网络的最终输入权重，隐藏层特征空间和输出权重；最终得到危险源识别结果。此种识别方法可提高危险源识别的灵活性，减少经验数据的急剧膨胀，提高对经验知识的利用率，缓解高维数据训练时的内存压力。