电子鼻作为一种非常有潜力的气敏检测仪器，在食品检测方面广泛应用。但由于气敏传感器的漂移严重降低了电子鼻的长期稳健检测能力。为了实现电子鼻的长期稳健检测，本文提出了两种基于空载数据的漂移校正方法：阈值缩放校正法和多元散射校正方法。在此基础上，运用递归校正的思想构建鉴别模型以实现电子鼻的长期稳健检测。
　　从阈值校正的角度出发，提出了一种基于空载数据的小波包分解的阈值缩放漂移校正方法。通过小波包对电子鼻空载数据的分解，给出空载阈值函数（No-load threshod function，NLTF），然后将NLTF转换为适合样本数据的样本阈值函数（Sample threshold function，STF）。在STF基础上，构建基于分解系数的样本测试数据的校正函数。借助于校正函数对6种白酒/食醋样品的电子鼻数据进行漂移校正；同时，运用“样本测量时间窗口（Sample measurement time window，SMTW）”的概念，实现了电子鼻数据的递归校正，进而建立了可实现电子鼻长期稳健检测的递归Fisher判别分析（Fisher discriminant analysis，FDA）模型。当SMTW选为3个月的样本数据及每次递推前移1个月样本数据时，建立的FDA模型可完全实现6种白酒样品的长期稳健鉴别，正确鉴别率达到100%；当SMTW选为4个月的样本数据及每次递推前移1个月样本数据时，建立的FDA模型可完全实现6种食醋样品的长期稳健鉴别，正确鉴别率也达100%。这证明了该漂移校正方法的有效性和普遍通用性。
　　从散射数据线性校正的角度出发，提出了一种基于空载数据、小波包分解和多元散射校正（Multivariate scatter correction，MSC）的递归漂移校正方法。通过小波包分解分别得到空载和样本数据的分解系数，然后由MSC获得基于空载系数的空载斜率（No-load slope，NLS）和空载截距（No-load intercept，NLI）。接着，将NLS和NLI分别转换为基于分解系数的样本斜率（Sample slope，SS）和样本截距（Sample intercept，SI），并借助于SS和SI通过MSC对样本数据进行漂移校正。同时，采用SMTW的概念，建立了可实现6种白酒/食醋的长期递归稳健检测的FDA模型。当SMTW都选为3个月的样本数据及每次递推前移1个月样本数据时，建立的两种FDA模型可完全实现对6种白酒和6种食醋样品的长期稳健鉴别，相应的鉴别正确率都达100%。这也证明了该递归漂移校正方法不仅可以保证电子鼻的长期稳健检测，而且具有普遍通用性。
　　本文提出的两种基于空载数据的递归漂移校正方法的有效性和普遍通用性，将为今后更好的实现“电子鼻的长期递归稳健检测”奠定了基础。