气体传感器阵列由多个传感器构成,利用气体传感器特有的“交叉敏”特点,每个传感器对要测的气味信息都有着不同的敏感度、选择性和反复性。在传感器阵列多维空间中形成响应模式,阵列所确定的多维空间也包含了更多的信息。但是由于现在的气味成分信息、越来越复杂,仅靠传感器阵列已经不能全面和准确的分析气味信息,所以本文引入关联向量机(Relevance Vector Machine, RVM)对气体传感器阵列信号进行处理。RVM是一种新的机器学习方法,用于气体传感器阵列信号处理,具有良好的泛化性能、概率式预测等特点。本文选取中草药白薇和五种常见的稻米为例。采用传感器阵列、模式识别技术相结合的方法对中草药白薇货架期进行判定和检测稻米的质量。在进行实验样本分类之前,本文采用主成分分析法对数据进行预处理,不仅降低了计算的复杂程度,同时也提高了分类效率。为了突出本文RVM分类的有效性和可行性,将其和支持向量机(Support Vector Machine, SVM)、神经网络等方法进行对比。本论文的主要研究工作如下：(1)传感器阵列信号的采集。本文选择5种稻米和中草药白薇作为研究对象。使用电子鼻进行实验,采集实验样本信息。用主成分分析法对实验样本进行特征提取,并对初始特征向量进行主成分分析,保留样本的主要成分信息,达到降维的目的,减少计算量,提高分类效率。(2)采用RVM对实验样本进行分类和货架期判定。采用实验法确定分类模型的核函数及核参数,并比较不同核函数和核参数对分类识别精度的影响,从而确定最优的分类模型。在二分类实验中,实验结果表明采用高斯(Gauss)和三次多项式(Ploy3)核函数,分类精度较高,相关向量数较少,分类所需时间相对较短。选择Poly3核函数时运行时间最短,便于在线实时检测。再将RVM二分类推广到多分类,比较不同核函数和核参数时,分类模型的准确率。(3)比较不同算法的分类精度。对RVM、SVM和神经网络方法进行分类比较。实验结果验证了本文算法可以有效的克服SVM存在的测试时间长、支持向量个数过多等问题。从测试时间来看,在BP、RBF和SVM都选择高斯核函数时,RVM的测试时间比BP、RBF、SVM都要短很多。RVM不需要改动其他参数,核函数也不用符合Mercer条件。通过实验结果表明,将RVM的分类技术引入到稻米分类和货架期判定,可以保证较高的分类精度,获得的模型更加稀疏、测试时间也缩短。与其他方法的对比结果,验证了本文RVM模型用于分类识别的有效性和可行性,同时也适用于其他样本的分类检测。