El sistema de aprendizaje amplio (BLS) es una estructura de red neuronal breve y plana que ha demostrado ser efectiva en diversas tareas de clasificación. Sin embargo, los datos de entrada originales con alta dimensionalidad a menudo contienen información superflua y correlacionada que afecta el rendimiento de reconocimiento. Además, el gran número de nodos de características mapeados aleatoriamente y nodos de mejora también puede causar un riesgo de información redundante que interfiere con la concisión y el rendimiento del paradigma de aprendizaje amplio. Para abordar los problemas mencionados anteriormente, nuestro objetivo es introducir un modelo de aprendizaje amplio con una estrategia de extracción de características dual (BLM_DFE). En particular, se aplica el análisis de componentes principales del kernel (KPCA) para procesar los datos de entrada originales antes de extraer características eficaces de baja dimensionalidad para el modelo de aprendizaje amplio. Posteriormente, realizamos KPCA nuevamente para simplificar los nodos de características y nodos de mejora en la arquitectura de aprendizaje amplio para obtener nodos más compactos para la clasificación. Como resultado, el modelo propuesto tiene una estructura más sencilla con menos nodos y conserva un rendimiento de reconocimiento superior. Se realizan y evalúan experimentos extensos en diversos conjuntos de datos y se comparan con varios enfoques de clasificación populares para respaldar la efectividad del modelo propuesto (por ejemplo, logrando el mejor resultado del 77.28%, en comparación con el 61.44% logrado con el BLS estándar, en la base de datos GT).