医用电子鼻特指用于医疗诊断的电子鼻系统，检测原理是根据患者呼出的气体或者伤口顶空气体的气味特征，来实现疾病诊断以及伤口感染检测。传统的病理学细菌检验方法耗时费力（通常耗时48小时以上），而且检测需要专业人员进行操作，程序复杂。近年来，电子鼻作为一种新型的具有吸引力的方法受到了广泛关注和应用，并且其具有响应时间短、检测速度快，成本低、方便快捷、容易与人工智能结合的优点。本论文主要以雄性大鼠作为实验对象，动物伤口病原菌感染检测作为应用背景，对已建立的用于动物伤口检测的医用电子鼻实验系统进行进一步研究，论文的主要内容如下：特征提取是电子鼻数据处理中重要的一部分，原始特征的维数可能十分庞大，这很大程度影响了电子鼻后续的分类能力。针对传统的特征提取方法，经常是仅提取时域的响应信号或者变换域的响应信号作为特征，这样并不能完全描述电子鼻数据的完整信息。为了建立能够包含绝大部分伤口感染有用信息的数据，论文主要介绍了伤口感染检测电子鼻最常用的两类特征提取方法用来提取数据关键信息、提高后续分类器的识别精度，分别为基于时间域和基于变换域的特征提取方法，其中时域特征为提取稳态响应的最大值，变换域特征使用小波变换和傅里叶变换提取小波和傅里叶系数。最终通过实验表明不同的特征提取方法能对后续的分类器识别产生很大影响，本论文的混合特征矩阵构建方法能够包含更多的有用信息并且很大程度提高分类器的识别能力。优化算法近年来越来越广泛地应用于函数优化、数据挖掘、模式识别等领域，本文电子鼻伤口感染检测算法的研究中，优化算法将在特征选择、分类器参数以及特征子集优化等方面起巨大作用，因此本文着重研究了其中一种性能较好的优化算法，即量子粒子群优化算法（QPSO）。论文首先对该算法进行了理论介绍以及数学分析，并对其性能与传统粒子群算法和遗传算法等优化算法进行了对比，得出QPSO算法在搜索能力、收敛速度、解的精度和求解稳健性等几个方面有很大优势。然后针对混合特征矩阵仍具有高维度，并且在传感器前期初始阵列的选型中必定出现一定冗余的特点，需要在后期进行传感器的优化配置即对混合特征进行特征选择。论文提出了基于量子粒子群的特征选择算法，该特征选择以二分类为模型，能有效且准确地从混合特征矩阵中提取有用的传感器，克服了传统特征选择方法操作复杂，计算量大，针对伤口检测数据效果不佳等缺陷。另外，考虑到分类器模型参数以及各个传感器的重要性不同会对分类器识别效果造成很大影响，论文将量子粒子群优化算法引入到分类器模型参数和特征子集的同步优化中。通过量子粒子群优化算法寻找分类器参数和混合特征子集的重要性加权系数，实现同步优化的目的，最终达到了良好的效果。通过特征矩阵的构建、特征选择以及特征子集与分类器参数同步优化，最终构建了伤口感染检测系统完整的信号处理与识别算法。结果表明，这些方法能够大幅提高伤口感染检测识别能力。