气体传感器检测技术在当今社会中应用广泛,但气体传感器一直存在漂移问题,造成其检测到的数据呈现出非线性和混沌性,使分类模型在一段时间后的预测分类性能严重下降,在实际工程中增加了系统难度和维护成本。自编码器是深度学习中几大典型模型之一,具有很强的非线性拟合能力,可以提取出被测对象的深层特征,使提取到的特征更有利于分类或者回归预测。本文将基于自编码器提出一种气体传感器漂移补偿方法,具体地,本文主要研究了以下三个方面的内容:①本文提出了利用自编码网络对漂移特征值进行特征提取,然后结合支持向量机和K近邻法对漂移数据进行气体识别。②结合核主成分分析法对通过自编码网络提取的特征值进行二次特征提取,并结合K近邻法对漂移数据进行气体识别。③本文还提出了一种级联泛化方法,对4个具有不同分类效果的基分类器进行融合,使用融合模型对漂移数据进行气体识别。本文利用自编码网络来学习气体传感器漂移数据,并通过双重特征提取法和级联泛化分类器融合方法分别从特征层和决策层上进一步优化了自编码网络的漂移补偿性能,且通过实验对比验证了本论文提出的方法能够有效抑制漂移数据中无关特征值(即漂移信号)的表达,提高分类的正确率,从而实现对气体传感器漂移进行补偿。