机器嗅觉通过检测物质挥发性气味实现物质的快速检测鉴别。机器嗅觉技术快速发展得益于现代仿生学和人工智能技术为代表的数据与技术应用的深度融合。气体检测与识别技术已较为成熟,广泛应用于食品安全、生物医疗、化工检测等领域。嗅觉的智能感知作为近年来研究的一大新方向,与传统机器嗅觉对特定目标气味的检测分类不同,它从阵列式气体传感器响应信号中提取数据并处理,对气味进行描述性表征。气味的表征是通过借助象形词汇对气味进行描述,受经验、语言、感知疲劳、适应能力等因素和气味本身难以理解和描述的影响,气味的表征难以统一。基于机器嗅觉的物质气味智能感知旨在探寻气味的电子信息与人类嗅觉感知之间的关系,是机器嗅觉的前沿研究领域。气味表征往往以多标签呈现,面向嗅觉感知的多标签分类是目前亟待解决的一大难题。本文运用机器学习及深度学习算法,从现有模型出发建立改进模型算法,实现物质气味感知预测。主要研究内容如下:（1）构建机器嗅觉感知系统与数据获取:采用德国Airsense-PEN3电子鼻采集香料数据,同时对采集数据进行格式转换、特征提取等处理和分析,并以自然界气味关系图为气味标签为香料电子鼻数据进行标注,形成物质气味感知数据集。（2）构建气味单标签嗅觉感知模型:基于多标签的问题转换思想将多标签转换成多个单标签二分类,研究电子鼻采集数据与物质气味的映射关系,通过特征提取建立与香型气味描述对应的单标签分类表征模型,最终以各标签的平均评价指标对模型性能进行评估,实验结果表明基于混合采样和加权设置的随机森林模型表现最为优异,平均准确率达到94.5%,在其他各评价指标上均有较为突出的表现。（3）构建深度卷积神经网络的多标签嗅觉感知模型:基于多标签算法适应原则,研究物质气味的多标签描述,建立卷积神经网络模型多标签气味预测模型,同时引入卷积注意力模块对模型进行改进,通过模型对比验证注意力机制的有效性,改进模型子集准确率达到73.2%,宏准确率达到93.6%,宏平均F1和微平均F1分别提升11.7%和9.2%。