人工嗅觉系统(电子鼻)是一种基于人工智能算法的气味检测装置。在该装置普及过程中,解决在线连续工作条件下的漂移问题显得尤为重要。综合考虑可行性和校正样本特点,本文选取主动学习作为电子鼻在线漂移校正方法的基本框架。在此框架下,由于漂移校正样本取自已出现的在线样本,其样本类别存在随机性,故极易出现“类不均衡”问题。本文围绕这一问题,展开了两方面的研究工作。第一,为提高主动学习框架中“少类”样本的漂移校正效果,本文提出了一种改进型的主动学习样本选择方法——基于咨询委员会的类均衡方法(Query By Committee for Balancing Classes,QBCBC)。QBCBC着力于挑选出对“少类”样本分类更为关键的样本并对其进行标记,以综合提高校正后分类器对各类别漂移样本的识别能力。QBCBC以“咨询委员会”策略为基础,对当前有标记训练集进行自助采样,构建两个集成分类器的委员会成员,采用“最大投票分歧”准则挑选样本。针对校正数据集可能出现的类不均衡问题,选择委员会成员中与稀缺类相关的子分类器输出结果,找到具有最大分歧的样本进行标注,目的是尽可能挑到位于分类边界的稀缺类样本,使在线生成的校正样本集趋于类信息均衡。实验结果表明QBCBC具有综合提升分类器在全类别样本上的识别正确率。此外,当参考类不均衡比率设置在1.2至2之间时,该方法能够起到明显效果,提高整体正确率(G-mean)7%。第二,针对设备存储资源有限与主动学习中校正样本无限增加的矛盾,本文提出了一种基于函数拟合的校正样本“归纳-重建”方法(Inducting-Rebuilding on Function Fitting,IRFF)。IRFF首先通过主动学习在线获取带标记的校正样本并用高斯函数对校正样本信息进行拟合和归纳。当需要进行校正时,可由拟合后的高斯函数重建各类校正样本。由于重建的校正样本数量不受真实样本数量的限制,因此使用IRFF可以避免校正样本发生类不均衡问题。此外,在“归纳”过程中将样本信息转换为高斯分布参数(均值和方差),达到了压缩校正样本存储空间的目的。实验结果表明,IRFF以一定分类识别率为代价,降低了对于校正样本存储空间的需求。对于本文所采用的电子鼻漂移数据集,当重建样本数量保持在10到60个时,样本存储空间压缩比可达到27:1左右,对所有测试集的平均G-mean保持在0.75左右。本文将主动学习的理论和方法引入到电子鼻漂移抑制工作中,针对校正样本不均衡和存储空间有限问题,分别提出了基于样本选择策略和函数拟合的解决方法。本文的工作为进一步研究人工嗅觉系统的在线漂移抑制方法奠定了基础。