电子鼻系统由于具有成本低、操作方便、功耗小等优点,使得电子鼻在日常生产生活中的气体识别上应用比较广泛。近年来,涌现出了许许多多关于电子鼻的混合气体识别的研究,而且这些研究在混合气体种类的识别中也获得了比较好的效果。但是,这些研究它们普遍都是在相对稳定的情况下进行,而且输入数据大多采用了传感器阵列中的响应时间、恢复时间或者是灵敏度等稳定特征,并在进行简单数据处理之后采用一些主流的分类方法,最终都能达到较好的识别效果。然而,要把这些研究成果应用于实际的生产生活中,还有以下两个问题:1)在实际应用中混合气体存在的形式和浓度是复杂的、随机的、无规律的;2)前人工作中对混合气体浓度的实时预测的研究相对较少,更多是对完整气体反应过程的浓度预测。因此,本文的主要研究内容是基于电子鼻系统在随机情况下对混合气体种类的种类识别和浓度预测。在种类识别问题上,本文提出了一种新型的多标签的一维卷积神经网络(1D-DCNN)算法,对乙烯,一氧化碳和甲烷中的二元混合气体进行分类。1DDCNN能够自动地从原始数据集提取特征并且分类,同时以多标签的方式处理混合气体数据。此外,1D-DCNN自动提取的特征在PCA的投影比原始响应的更容易分类,该实验扩展到10折交叉验证,识别准确度达到了96.30%,远优于对比方法支持向量机(SVM),人工神经网络(ANN),k-近邻(KNN)和随机森林(RF)的性能。在浓度的实时预测上,本文提出了一种新型的卷积神经网络与循环神经网络(CNN-RNN)结合的混合气体浓度实时预测结构,实现对乙烯,一氧化碳和甲烷的混合气体浓度的每0.5s的实时预测。实验过程中,采用了长短期记忆单元(LSTM)、均方根误差(RMSE)分别作为RNN部分的处理单元、性能评价标准。在一氧化碳与乙烯的预测中,一氧化碳的RMSE为35.11ppm,乙烯的RMSE为1.33ppm;在甲烷与乙烯的预测中,甲烷的为11.88ppm,乙烯的为1.15ppm。此外,该实验还拓展到三种对比方法中,提出的CNN-lstm都优于卷积神经网络与门循环控单元(CNN-gru)结合的结构、回声状态网络(ESN)和线性回归(LR)的浓度预测性能。