相较于传统机器学习算法存在的特征提取效率低、非线性模式识别能力不足、训练速度慢等问题，宽度学习（Broad learning system, BLS）通过横向扩展网络结构来提高学习能力和效率，具有结构简洁、训练速度快、泛化能力强等优势。目前，宽度学习算法在其他领域已经展现出潜力，然而在复杂样品的鉴别中尚未得到充分探索。基于此，本文探索了BLS算法对基于理化指标的复杂样品鉴别的可行性。采用鸢尾花、葡萄酒和乳腺癌三个数据集，以鸢尾花的花瓣、花萼的长度和宽度、葡萄酒的物理化学属性和乳腺癌细胞核特征作为输入变量，与鸢尾花的品种、葡萄酒的品种和良恶性细胞核建立宽度学习模型。模型性能通过混淆矩阵、准确率和运行时间等指标进行评价。结果表明，与偏最小二乘-判别分析（Partial least squares-discriminant analysis, PLS-DA）、簇类独立软模式（Soft independent modeling of class analogies, SIMCA）和人工神经网络（Artificial neural network, ANN）相比，BLS算法在计算效率和识别精度方面均表现出显著优势，为复杂样品的鉴别分析提供了一种高效且可靠的新方法。