大米是世界上60%以上人口的主粮,特别是在亚洲。目前,我国大米品质主要是依据国标《稻谷储存品质判定规则》（GB/T 20569-2006）中规定的方法来进行测定的。该方法尽管检测结果客观、可靠,但其检测过程繁琐,不适合用于现场检测。鉴于此,本研究根据大米储藏过程中挥发性物质的变化规律,提出基于嗅觉可视化技术的储藏期大米品质检测的新思路。具体研究内容如下:（1）大米真实储藏期的嗅觉可视化检测方法研究。首先,利用团队开发的嗅觉可视化系统获取储藏期大米的气味信息,并以图像的形式可视化呈现。然后,利用主成分分析（principal component analysis,PCA）对预处理后的传感器颜色分量进行特征压缩和样本空间分布的可视化呈现。最后,利用K最近邻（K-nearest neighbor,KNN）、概率神经网络（probabilistic neural network,PNN）和支持向量机（support vector machine,SVM）建立大米真实储藏期的定性识别模型,并对各模型的识别结果进行比较。通过比较不同最佳识别模型的结果,我们认为SVM非线性方法最适合本研究大米真实储藏期识别模型的建立。当主成分数（principal components,PCs）为13,惩罚参数c为7.4656,核函数参数g为0.5639时,SVM模型性能达到最佳,其在训练集和预测集中的正确识别率分别为99.17%和97%,展现出了良好的稳定性和泛化性能。研究结果表明,利用嗅觉可视化技术结合合适的化学计量学方法可高精度实现大米真实储藏期的定性识别。（2）储藏期大米脂肪酸值的嗅觉可视化检测方法研究。首先,引入三种群体智能优化算法,它们分别是利用遗传算法（genetic algorithm,GA）、蚁群算法（ant colony optimization,ACO）和粒子群算法（particle swarm optimization,PSO）,来优化传感器的最佳特征颜色分量组合。然后,利用最佳特征颜色分量组合作为反向传播神经网络（backpropagation neural network,BPNN）的输入来建立检测模型,以实现大米脂肪酸值的定量检测。研究结果发现,与GA和ACO算法优化结果相比,利用PSO算法优化得到最佳特征颜色分量组合建立的BPNN模型拥有最好的稳定性和检测精度。最佳PSO-BPNN模型在预测集中的预测相关系数（correlation coefficient of prediction,RP）和预测均方根误差（root mean square error of prediction,RMSEP）分别为0.9760和0.7639 mg/100g。研究结果表明,利用嗅觉可视化技术结合适当的化学计量学方法来实现大米储藏过程中脂肪酸值的定量检测是可行的。另外,根据群体智能优化算法优化得到的特征颜色分量组合可以设计出更为简洁的传感器阵列,从而降低传感器的制备成本。研究结果可为成品粮储藏过程中品质指标无损检测的便携式嗅觉可视化检测装置的开发提供技术基础和方法参考,该技术在粮食仓储品质监测方面也将会有很好地的应用前景。