土壤有机质是土壤固相系统中的重要组成成分。它是地球上最主要的有机碳来源,同时对农作物生长、发育过程的质量及最终产量影响较大,不当的土壤管理操作容易造成有机质含量降低。因此,测定其含量变化对生态保护和农作物生产均有非常重要的意义。化学检测法受到检测时间、操作复杂度、专业人员等多方面限制,且不具备原位检测的可能。土壤结构、水分以及氧化铁会对光谱法检测准确度起到干扰作用。热裂解气相色谱质谱仪的分析仪器存在体积大、昂贵等缺点。目前,机器嗅觉系统在土壤有机质方面的研发取得了相对传统方法较优良的结果,主要优势表现在高精度、低成本、检测速度快等方面。但现有的研究传感器功耗高、体积相对较大;没有针对土壤有机质检测选取最佳的传感器阵列,可能存在冗余传感器;缺少合适模式识别算法等。因此可能造成系统识别精度低等不良后果,本文为提高基于机器嗅觉技术的土壤有机质含量检测的预测精度,主要进行了如下研究工作:（1）根据机器嗅觉技术,自主研制了一套以MEMS金属氧化物半导体气敏传感器为核心的土壤有机质检测系统。热裂解装置和机器嗅觉检测装置两大部分共同组成了该系统的硬件结构。热裂解装置主要由微型管式马弗炉、真空法兰、橡皮软管、石英管等构成,用于激发并提高土壤裂解气体浓度。机器嗅觉检测装置主要由气敏传感器阵列、气泵、信号处理模块、NI数据采集卡、笔记本电脑等部分构成。在软件部分以LabVIEW为载体开发了采集软件,具有实时显示、存储采集到的气体响应信息的功能。随机选择了土壤对检测系统进行了测试预实验并探究了试验过程系统工作参数及流程。试验结果表明:由10个不同型号的MEMS气敏传感器构成的阵列能够实现对土壤裂解气体信息的采集工作,为该系统对土壤样本集有机质含量的准确检测奠定基础。（2）研究了不同阵列优化方法对建立土壤有机质预测模型的影响。通过该系统完成了土壤样本集信息的检测,获取了用于表征样本集信息的响应曲线。提取了响应曲线的一阶积分值、一阶微分值、相对变化值、相对稳态均值、平均值、第8秒瞬态值及最大值,构建了112×10×7的土壤裂解气体嗅觉特征空间。采用特征选择算法中的遗传算法（GA）、RReliefF算法、Boruta算法对原始阵列进行优化,并将优化后的结果构建极限学习机模型（ELM）,以回归预测指标为评价准则。结果表明所采用的阵列优化方法均能剔除一定数量的传感器、减少特征数量,同时能提高模型的预测性能,三种算法的优化效果按以下顺序升序:GA＜RReliefF＜Boruta。使用Boruta算法对原始阵列优化后,训练集中R~2、RMSE、RPD分别变化了15.94%、27.59%、31.29%,训练集中决定系数、RMSE、RPD分别变化了16.83%、23.84%、38.12%,优化效果最为优异。（3）分别采用线性特征降维（PCA）和非线性降维（KPCA）方法对嗅觉特征空间进行降维处理。变换后的8维新特征即包含了原始特征20维的绝大多数信息,同时降低了特征之间的相关性。其中KPCA前8个核主成分之和为98.92%,采用SVM模型对其进行回归分析,其预测集R~2=0.8434。构建了LOOCV-PLSR、SSA-RF、PSO-LSTM的土壤有机质反演模型。针对影响不同模型性能的主要关键参数,采用留一交叉验证法确定了PLSR模型中的潜在变量的最佳数目;利用SSA寻找到了RF模型中决策树数量和树的深度的合适数量;采用PSO对获取了LSTM模型中学习率和隐含层单元数目的最优参数。其中,PSO-LSTM模型预测性能极佳,预测集R~2、RMSE、RPD分别为0.9288、0.7400、3.7282,有望为土壤有机质含量准确检测提供帮助。