如果说有一种现代化进程自它诞生以来便成功地改变了人类的生活条件，那么它必然是工业化进程。但是，正如所有的进程化一样，工业化也带来许多负面的影响。环境污染，特别是室内外空气污染，便是其带来的负面影响之一。因为空气质量，尤其是我们长期处于的室内空气质量，可能会引发人们严重的健康问题。因此，人们对用于空气质量实时检测，灵巧的传感器系统展现了越来越浓厚的兴趣。电子鼻系统被认为是现有技术如：由人组成的专家组，基于气相色谱和质变的分析方法等的较好的替换方法。此外，电子鼻系统可以由低成本的现有的金属氧化物半导体传感器构成。但是，此类传感器容易出现漂移，并且易受非分析的目标气体的干扰。如果没有漂移补偿和基于模式识别算法的干扰消除或抑制，这些特性可能会降低电子鼻的性能。因此，鲁棒信号处理算法将这些因素视为电子鼻中最重要的部分。设计出这样的信号处理算法是本论文的主要目标。虽然电子鼻系统的概念已经出现几十年了，但直到现在，许多潜在用户对电子鼻系统依然所知甚少。因此，论文首先介绍了电子鼻系统的发展历史、一些关键概念和架构（包括采样及传输系统、传感器阵列、信号预处理、特征提取和模式识别等）及其应用。列举了一些当前可用的商用电子鼻系统。最后，指出了关于电子鼻当前的发展方向和存在的一些问题。电子鼻系统的校正需要一些原始数据，这些数据是通过在控制气体环境下的一些实验得到的。论文介绍了自制的电子鼻系统和产生原始数据库的实验装置和实验流程。这些数据构成了数据预处理和模式识别的基础。正交信号校正（OSC）是一种被成功应用于电子鼻系统的信号预处理方法。为了研究OSC的效果，论文研究了基于两个不同的多变量回归模型、多层感知器（MLP），偏最小二乘法（PLS）。通过6种室内空气污染物的实验结果表明，综合OSC和MLP的方法仅在有非常强的背景噪声下效果明显；而结合OSC和PLS在任何强度下的背景噪声下都能取得非常好的效果。但在需要非线性识别的情况下，MLP的效果比PLS更好。人工神经网络(ANN)和支持向量机（SVM）是广泛应用于电子鼻系统中的模式识别算法。人工神经网络是基于经验风险最小化的方法;而支持向量机则是在统计学习理论框架下基于结构风险最小化的方法。本文详细分析了MLP的人工神经网络和支持向量机的基本原理。考虑到遗传算法因为具备全局搜索能力，论文采用遗传算法分别优化MLP的初始权值和支持向量机的超参数。通过使用5种室内空气污染物数据库的实验结果表明，虽然MLP和支持向量机模型都可以提供令人满意的结果，但支持向量机具有更好的泛化性，这和理论分析的结果一致。但是，从嵌入式系统的应用角度考虑，MLP模型比支持向量机模型的计算复杂度更小。。有许多方法可以提升MLP神经网络的泛化性能，包括规范化，交叉验证，训练样本加噪声，以及集成神经网络方法等。其中集成神经网络是论文的研究重点。集成方法的成功可以从基于偏差和方差的分解进行解释，集成方法可以减少方差及偏离。集成学习参考了通过传统机器学习方法产生多重基础模型的技术，然后将其综合到一个集成模型中。生成阶段的目标是创造出在预测方面不同的精确的基础模型。这可以通过三类方法完全：基于学习集的修正的方法（如：bagging,boosting），基于训练算法修正的方法（如：负相关学习），和基于选择的方法（如:ambiguity based method, GASEN）。因为在组合阶段，线性方法（如：简单平均，加权和），非线性方法（中位数规则，“stacked generalization”）被广泛使用。另一个重要的可以替换创建基础模型集合的方法是专家组的混合，但是此方法并不在本文的研究范围以内。由于bagging和boosting法具有好的实验效果和理论支持，因而被广泛应用于集成学习算法。另外，bagging法在不稳定估计中被发现有比支持向量机、人工神经网络等更好的效果。本文提出了一种新的基于集成方法选择的方法。此方法综合了用来多样性度量的差异度量方差膨胀因子（VIF）方法，性能测量（均方差或者预测的平均绝对相对误差）方法和遗传算法从打包的神经网络池（pool）中挑选最优数量的基本模型。实验结果表明，本文提出的方法仅在非常少的情况比类似的方法效果差；另外，此方法的效果比最优的基本网络和标准打包方法（standardbagging methods）要好，更多关于VIF规则的研究可望显著提高此方法的性能。长期、短期漂移是气体传感器面临的最严重问题之一。如果没有进行抗漂移处理，会对电子鼻的性能造成严重的影响。本文提出了一种可以处理漂移的集成方法用于在线气体浓度估计，实验结果表明此方法不仅效果好，而且在与其它集成方法的比对中也显得很有吸引力。