工业园区空气检测主要是通过一系列由敏感膜材料组成的化学气体传感器阵列来采集气体数据,再经过电子电路将复杂的时间序列信号传输到人工智能算法的软件系统中,基于手工设计的特征选择方法如随机森林(RF),主成分分析(PCA),经由一些机器学习算法如支持向量机(SVM),对特征进行训练,最后使用训练后的模型来识别未知气体的类别和浓度。传统气体检测设备的敏感膜材料因气体分子吸附而震动产生一种复杂的时间序列信号,在识别过程中,敏感膜材料的退化、外界的环境因素、气体的种类和浓度都会影响信号的产生,导致传感器漂移现象严重;而特征提取方法上也有人为的主观因素影响无法做到精确和全面;同时也发现使用不同的算法直接关系到气体检测结果的准确率。本文从传感器改造、特征提取和气体检测算法这三个关键层面进行技术研究,对传统工业气体检测系统提出了改进方案。方案中设计使用红外光学气体检测传感器阵列设备,是基于不同气体对红外波段的电磁波特征吸收原理制成的一种物理式分析仪器,针对不同种类的工业气体,只需要更换光学滤光片组件模块和调整程序参数即可。使用红外光学气体检测传感器阵列设备,可以提高收集气体样本数据的原始表征;其次引入深度学习算法作为气体识别算法,并且针对工业气体特征提取方法不足的问题,可以利用深度学习过程中无监督学习来自动获取原始气体数据本质的特征,实现检测工业气体样本数据准确率达到了93.2%,并且可以给出精准的气体浓度值;最后还验证了利用深度学习算法可以有效的补偿传感器气体数据漂移的情况,实验结果验证了该方法的有效性。