电子鼻是从20世纪90年代迅速发展起来的一种能够分析、识别和检测复杂嗅味与大多数挥发性气味的仪器，也称人工嗅觉系统。它能够抓住气味的特征，并根据这些特征准确鉴别不同的气味及其浓度。电子鼻系统主要包含三个部分，即传感器阵列、信号预处理单元和模式识别单元，具有检测速度快、可实时在线进行无损或无创检测的特点。本文以电子鼻在空气质量监测中的应用为背景，针对电子鼻中金属氧化物半导体型传感器易发生漂移的问题进行了研究，主要侧重于气敏传感器的长期漂移。传感器长期漂移的研究主要分为两个方向，其一是根据漂移的特征或规律利用统计学知识抵消漂移，其二是自适应漂移补偿。本文将分别从这两个角度来解决传感器的长期漂移问题。从预测漂移规律的角度，本文提出了一种基于预测网络的漂移补偿算法。该算法根据温湿度和浓度信息通过支持向量回归机（SVR）网络预测未漂移的传感器响应，然后分析漂移前后的传感器响应变化规律，并在此基础上建立漂移补偿算法模型。本文采用传感器使用时间为212~580天的数据样本分析漂移规律，并建立了两种算法补偿模型，分别为支持向量回归机（SVR）模型和鲁棒加权最小二乘（RWLS）回归模型。将两种补偿模型分别应用于第700~709天的漂移数据的补偿，并与典型的PCA-CC算法做比较。结果，三种方法均有一定的补偿效果，其中SVR模型最佳，其次是RWLS模型，PCA-CC的效果相对最不明显。从自适应漂移补偿的角度，本文采用了基于CMA-ES的自适应线性校正算法，该算法定义一个较短的时间段为一个时间窗，假定在一个时间窗内的漂移为线性，可通过线性模型来补偿。将长期漂移的数据按时间窗来分别进行补偿，通过自适应协方差矩阵进化策略(CMA-ES)定期更新窗内样本的线性校正矩阵，从而达到自适应跟踪漂移变化的目的。另外，算法在浓度预测精度补偿的应用中，使用独立分量分析（ICA）提取出了甲醛响应源分量，以排除漂移校正时浓度信息的干扰。将该算法分别应用于长期基线数据的校正和浓度预测精度的补偿，均表现出了良好的漂移补偿能力。为了进一步验证本文算法的实际应用效果，将算法分别编程下载到空气质量监测电子鼻系统中，并设计实验进行甲醛的实测验证。同时，PCA-CC也被用来作参考和比较。实验结果证实了本文提出的三种算法的有效性，算法效果由好到差的顺序依次是：自适应线性校正、SVR、RWLS、PCA-CC。