挥发性有机物（VOC）,主要来源于建筑材料、室内装饰材料、生活和办公用品及室外工业废气等,对人类健康的危害正得到人们越来越多的重视。因此,制备能够检测不同VOC的气体传感器及研究混合气体识别方法是非常有意义的工作。由于半导体气体传感器自身的交叉敏感性,许多单一气体传感器无法对某种气体进行准确的识别与测量。基于气体传感器阵列的电子鼻技术得到研究人员的广泛关注。在本论文中,利用纳米SnO₂材料及不同掺杂敏感材料分别制备了几种气体传感器,并组成传感器阵列实现对甲醛、乙醇、甲苯和丙酮混合气体的识别与测量,各气体成分的测量浓度范围为:1 ppm～5 ppm。人工神经网络（ANN）是目前混合气体识别技术中普遍采用的方法之一。本论文分别研究比较了几种常用神经网络,BP、RBF及ANFIS,在混合气体识别与测量中的应用。三种网络的预测误差分别为:BP:3.16%、RBF:2.70%、ANFIS:1.96%,从中可以看出,在预测精度上:ANFIS＞RBF＞BP。采用PCA和ICA方法对气体传感器阵列数据样本进行预处理有利于提高神经网络对混合气体浓度的预测精度。利用可编程逻辑器件（如CPLD、FPGA）,能真正实现神经网络的并行计算特点,加快计算速度,满足实时性要求。本论文在Xilinx VertexⅡPro开发板上分别构建了BP和RBF两种神经网络,并对其进行了仿真与测试。实验结果表明,硬件实现神经网络,在运算速度上要比软件实现快两个数量级。考虑到在实际应用时,神经网络结构中神经元个数经常难以确定等具体问题,利用片上网络（NoC,Network-on-chip）具有良好的可扩展性及并行通信能力的特点,本论文提出了一种基于NoC结构的动态可重构神经网络（DRANN,DynamicReconfigurable ANN）。利用DRANN,不仅能够实现神经网络中输入层、隐层和输出层神经元个数的实时、动态调整,而且可以实现基于不同数学模型的分布式神经网络,并为分布式神经网络间并行通信提供可能。