嗅觉是人类的一种生理感官,它通过感知空气中的化学物质了解环境。相对于视觉和听觉对应的视频和音频的数字化发展,作为人类感官之一的嗅觉,在数字化的道路上,还有着巨大的挑战。气味描述符是气味感知的一种描述方式。由于气味的复杂性,人们至今还难以理清气味物质的理化特征与气味描述符之间的映射关系。因此,没有建立起根据气味物质理化特征预测物质的气味描述符的通用方法。本文研究了从物质的理化特征预测物质的气味感知空间的模型。首先,筛选气味描述符并收集对应词向量组成气味感知数据集,基于聚类算法,构建气味感知空间。其次,收集气味物质的质谱数据,利用特征工程方法,解决质谱数据高维稀疏的问题,构建气味理化特征空间。然后,结合多种机器学习方法,构建气味感知分类模型。最后,经过实验对比得到最优的模型。这对于理解气味物质的理化特征与气味感知空间之间的映射关系具有较高意义。首先,本文根据西格玛·奥德里奇的化学品目录,从谷歌词向量库选出136个气味描述符的词向量数据,建立气味感知数据集。由于气味描述符数据具有冗余性,基于K-means算法和层次聚类法聚类,构建气味感知空间。其次,本文收集挑选了化学品目录中872个CAS号对应的质谱数据。采用特征工程的数据处理方法,分别设计了递归特征消除、皮尔逊相关系数和极限梯度增强的模型特征选择策略,和采用主成分分析、线性判别分析和自动编码器的特征提取方法并做对比实验,对高维质谱数据集进行降维,构建气味理化特征空间。然后,使用支持向量机和高斯混合模型作为分类器,将气味理化特性空间作为输入数据,将气味感知空间作为标签,构建空间映射模型,比较特征工程方法的效果和分类预测模型的性能,验证实验的可行性和准确性。最后,为了探索更高的分类准确率,本文提出一种基于神经网络的气味感知分类模型——卷积自编码气味感知分类模型（Convolutional Autoencoding Odor Perception,CAOP）。使用质谱数据预测所属气味描述符的类别,构建基于神经网络的空间映射模型。先将原始质谱数据送入卷积自编码器得到低维编码的气味理化特征数据,再将其送入分类网络中对气味描述符进行分类。然后对CAOP的分类准确度与第四章传统机器学习的结果进行对比。实验结果表明,CAOP的分类准确度达到0.8887,高于传统模型的分类结果,最终得出最优的基于机器学习的气味理化特征空间到气味感知空间的映射模型。