机器嗅觉系统又叫电子鼻（Electronic Noses,E-Noses）系统指的是通过模拟生物嗅觉工作方式的一种新型仿生检测系统。其系统主要由气敏传感器阵列与相应的机器学习算法组成,主要完成气体检测和识别等任务。传感器漂移问题是由于传感器自身设计原因,往往不同厂商的同型传感器、相同传感器不同批次、同种传感器的使用磨损程度不同等情况都会造成传感器漂移,从而造成数据分布改变。同时机器嗅觉数据收集实验繁琐,常常面临获取带标签数据困难的问题。这两个问题极大的制约着机器嗅觉检测的效果。本文主要对机器嗅觉检测技术进行研究,针对传感器漂移与半监督学习问题分为两部分进行研究:（1）针对相同域数据半监督分类问题,本文提出半监督加权核极限学习机算法。通常认为当机器嗅觉系统收集到的数据分布相同或轻微不同时为相同域数据。该算法使用新的组合核方式得到加权核,对半监督核极限学习机算法进行改进,在保持稳定性与高效的特点同时,增加了泛化能力与准确率。并且在两个数据集上进行对比实验,经验证在解决相同域数据半监督分类问题上,该算法拥有更好的效果。（2）针对不同域数据半监督分类问题,本文提出域转换半监督加权核极限学习机算法。本文将分布差异较大的数据定义为不同域数据。不同域数据半监督分类问题又叫传感器漂移补偿问题。该算法通过域转换的方式,将不同域的数据转换为相同域的数据,将问题转换为相同域数据的半监督分类问题,最终使用半监督加权核极限学习机算法进行分类。该算法避免了对带标签目标域数据的需求,减少了成本,同时半监督学习的方法可以极大的利用所有目标域数据的信息。通过对比常用的传感器漂移补偿算法,验证该算法拥有更好的效果,为传感器长期漂移的问题提供新的解决思路。最后本文设计了一个智能机器嗅觉平台,摆脱了传统传感器实验平台对PC的依赖,减少了操作的繁琐性。该平台利用智能开发板与触摸屏结合的方式实现人机交互,完成数据收集等任务。