随着现代工业化技术发展,各种工业制品给人们的生活带来便捷,但是从生产到使用的整个过程中,所释放出的挥发性有机化合物（VOC）不仅会损害人们的身体健康,还给环境带来了不可逆的污染,因此VOC气体的监测显得至关重要。气体传感器阵列与模式识别系统构成的气体检测技术已广泛应用于各个领域。在模式识别系统中,由于机器学习算法能够处理大部分线性与非线性问题,已成为广大学者的研究重点。本论文基于数据处理方法与机器学习,根据对VOC种类识别与浓度预测的结果,对比研究不同算法模型的性能差异,主要研究结果如下:（1）通过化学浴沉积法与溶胶-凝胶法分别制备WO3气敏薄膜,ZnO气敏薄膜,Sn O2气敏薄膜。SEM观测表明,WO3气敏薄膜由厚约20 nm垂直基片生长的纳米片组成,成网络状结构;ZnO气敏薄膜由直径约为30～50 nm垂直基片生长的纳米棒阵列组成;Sn O2气敏薄膜由尺寸约为10 nm的纳米颗粒致密排列而成。（2）基于WO3气敏薄膜、紫外灯辅照的ZnO气敏薄膜和Sn O2气敏薄膜,在350℃的工作温度下搭建3维气体传感器阵列,对不同浓度梯度下的7种单组分VOC气体进行测试获取数据样本。通过函数拟合将56×3的原始数据样本扩充至637×3的拟合数据样本,并分别构建BP神经网络模型。预测结果显示,经拟合处理后VOC的种类识别准确率提升7.1%,浓度预测准确率提升6.7%。研究表明函数拟合能基于原始数据样本,增加输入数据量,利于对未测试浓度样本的识别。（3）基于WO3气敏薄膜、ZnO气敏薄膜和SnO2气敏薄膜,分别在250℃、300℃和350℃的工作温度下搭建9维气体传感器阵列,对甲醛与乙醇的混合气体进行测试获取数据样本。通过灰色关联度分析减少冗杂数据,选取与浓度相关性前5的特征量,再进行函数拟合并构建算法模型。根据平均浓度预测结果,支持向量机回归机对比BP神经网络,对甲醛的预测准确率提升2.6%,对乙醇的预测准确率提升6.2%。根据回归机的实现原理,在低维输出的预测问题上其更有优势。（4）仅基于WO3气敏薄膜,在250℃、300℃、350℃和400℃的工作温度下,对不同浓度的6种VOC气体进行测试获取数据样本。通过主成分分析降低特征量之间的相关性,对原始数据进行降维处理,并对VOC种类进行初步识别;其中针对难分辨的甲醛和甲醇气体,通过增加响应时间和恢复时间作为补充特征量,可以提高两者间的区分程度。再分别输入原始数据样本与降维数据样本,构建支持向量分类机模型对VOC种类进行精确分类,结果均能达到100%的分类准确率。其中主成分分析与支持向量分类机相结合的方法运行耗时减少40%,表明其更适合处理具有多维特征量的数据样本。基于该模型方法可以有效且快速地优化WO3气敏薄膜对VOC的选择性。