电子鼻是一种用于检测和识别未知气味的智能仿生系统,主要由传感器阵列,信号预处理单元和模式识别单元三部分组成。在长期工作中,由于中毒、老化等原因会产生传感器响应漂移,从而降低电子鼻性能和使用寿命。对于漂移抑制,一种流行的方法是基于足够而完整的漂移校正样本进行识别模型修正,然而这忽视了实际在线场景中漂移样本难以进行定制的特点,将钝化识别模型效能,甚至使之失效。本文针对非理想化校正样本问题中的两个具体场景:“未知干扰样本”和“单类标签校正样本”,提出了如下解决方法:（1）干扰环境下漂移抑制方法研究基于实验室环境的电子鼻算法模型研究要求气味感知信息具有可控性,即出现的气味种类应当在可预见的已知范围内。然而在实际应用中,由于系统所处环境的不可预测性,待测气体中可能混入非目标的未知种类干扰气体,从而影响电子鼻性能。针对于此,本文提出了一种干扰环境下解决漂移抑制的方法模型。该模型允许在未标记的校正样本池中存在未知类别的干扰样本。考虑到在线连续检测中漂移和干扰对算法模型的共同影响,该方法尝试将漂移抑制和干扰检测集成于同一模型中同时实现,增强非理想环境下电子鼻在线连续检测的鲁棒性。所提方法通过建立多任务数学模型求解漂移映射矩阵和投影贡献向量,以此并行完成漂移抑制和干扰消除。此外,并为所提数学模型提供一种迭代式两阶段求解方法。并采用公共基准数据集和自采集数据集进行方法性能验证,实验结果表明:所提方法,相比其他对比方法,在干扰识别和漂移样本分类方面均取得了更高性能。（2）基于单类标签的漂移抑制方法研究传统的基于模型的漂移抑制方法在获取各类漂移校正样本时会产生大量时间和人力成本,这使其难以适应诸多在线应用工作需求。因此,本文提出一种基于单类校正样本的轻量化漂移抑制模型,以降低传统算法模型对校正样本数量和种类的过高要求。该方法基于单类别校正样本构成迁移样本,同时考虑了数据样本和类标签的分布,通过建立多任务学习模型获得相应的校准分类器。并为所提数学模型提供一种闭式解的获取方法,避免耗时的迭代计算,进一步实现算法模型的轻量化。随后,引入公共基准和自行设计电子鼻系统采集的数据集进行性能评估。实验结果表明:所提方法在两个数据集上均获得最高的识别准确率。这表明所提方法是一种可应用于在线工作的,低材料和算力成本的电子鼻漂移抑制方法。