近年来机器嗅觉领域发展迅速,在工业生产、环境保护、安全检查、医疗诊断等领域中发挥着越来越重要的作用。气体识别系统作为机器嗅觉的一个典型应用,通常由交叉敏感的化学传感器阵列和适当的计算机模式识别算法组成,可用于检测、分析和鉴别各种气味。传感器阵列依靠敏感膜材料吸附气体分子产生振动,采样得到的是一种复杂的时间序列信号。这种信号会受到敏感膜材料、气体种类和浓度以及外界环境(如温度、湿度)等多种因素影响,波形复杂,难以分析,通常采用手工设计的特征,结合小波分解、支持向量机等方法进行识别。此外,气体识别中还存在一种称为传感器漂移的现象,即传感器的响应值会缓慢地发生偏移,并且随着时间的推移最终会引起数据的分布发生改变,使气体识别的准确率逐渐降低。这一现象使得分析气体数据变得更加困难,目前通常采用各种物理手段以及信号处理方法来减少漂移带来的影响。论文首先对比各种方法的识别准确率,其中提取特征的过程包括手工设计特征、小波分解以及主成分分析等,识别算法则分别采用支持向量机、K近邻等方法,然后尝试使用近年来流行的深度学习方法提高识别准确率。相比于其他方法,深度学习最大的优势在于可以自动提取特征,最大限度地减少了人为的干预,消除了手工设计特征的复杂度。同时,不同于以往的气体识别方法,深度学习不再针对具体的应用场合,具有非常广泛的适用性,应用前景良好。最后,论文探索了一个全新的方向,即使用深度学习方法来解决传感器漂移问题。实验表明,深度学习方法可以得到比原始输入更好的、对于漂移更为鲁棒的特征,能够明显改善漂移影响下的气体识别准确率,证明了其在解决漂移补偿问题方面的可行性。