肺癌的发病率位于癌症首位,及早的发现肺癌并采取有效的治疗措施可显著提高患者的生存率,与传统的影像、病理诊断等技术相比,基于呼气分析的电子鼻技术具有无创、操作简单、低成本等诸多优势而受到广泛的关注。目前,肺癌筛查研究的对照组多设置为健康人群,而对于肺癌高危人群,如慢性阻塞性肺病和长期吸烟者的可分性研究较少,并且利用电子鼻对肺癌的不同临床分期进行识别的研究则更少。数据分析方法的选择显著影响电子鼻的识别效果,而目前鲜少有针对电子鼻系统数据分析方法的研究。本研究利用电子鼻检测了212例共5个组别(健康吸烟者、健康非吸烟者、慢性阻塞性肺病患者、肺癌患者、其他疾病患者)的呼气样本,并采用传统机器学习和深度学习两种数据分析方法对呼气样本数据进行处理,对比分析了两种方法的识别效果。本文的主要工作如下:(1)数据分析方法的研究,采用传统机器学习和深度学习两种数据分析方法,传统机器学习采用3种特征提取方法和2种分类方法分别组合对数据集进行分类识别,深度学习采用长短期记忆网络(LSTM)算法,对比分析了传统机器学习与深度学习方法在本研究中识别效果。(2)本文研究了电子鼻对肺癌患者和健康对照组的识别效果,LSTM分类算法获得最优的分类效果,其灵敏度、特异性和准确率分别为95.21%、90.77%、91.03%。对84例(6个II期,38个III期,40个IV期)不同临床分期的肺癌患者进行了数据分类,KPCA-SVM分类算法得到最优的结果,识别准确率为82%以上,结果表明该系统在一定程度上可以实现对不同时期肺癌的识别。此外,肺癌高危人群(如吸烟、慢性阻塞性肺病等)作为肺癌筛查的重点关注对象,本文对肺癌高危人群、肺癌和健康的区分效果进行了初步的研究,在肺癌高危人群、肺癌患者、健康对照组的分类中,肺癌的识别率达到86%以上。