现代社会中，室内及车内的空气污染是影响人类生活质量的主要问题之一。传统的化学分析式空气质量检测方法成本高、时间长、且需要专业人员操作，不利于普及。而电子鼻方法以其检测速度快、方便易用等优点，成为一种极具潜力的气体分析替代方法。目前的电子鼻技术研究虽然取得了较大的进展，但距离实用化仍然存在差距，主要表现在长期漂移、背景干扰、个体差异等问题还没有得到妥善解决。电子鼻漂移可以分为短期漂移和长期漂移两类，本文将其中的长期漂移抑制方法作为研究重点。首先，构建了一套电子鼻实验平台用以收集传感器阵列受长期漂移影响后的响应信号。该实验平台由进样系统、气敏传感器阵列、上位机等部分组成，可完成多种类型的电子鼻验证实验。实验平台中的气敏传感器阵列部分采用4个气敏传感器组成。在气敏传感器选型过程中，观察了每一种气敏传感器在不同加热电压下的响应。考虑到加热电压变化对气敏传感器响应特性的影响，对其中的某些传感器使用了非标准幅度的电压作为加热电压，在一定程度上增强了传感器阵列响应的选择性。通过对长期漂移信号的离线分析，发现长期漂移具有缓慢且无规律的变化趋势。主成分分析（principle component analysis，PCA）方法的Wilks准则在确定最佳可视化分类的主成分时，忽视了分类面边缘样本对数据重心的影响，进而使得分类效果不佳。本文采用“惩罚”机制改进了Wilks准则的重心求取方法，实验表明改进后的方法避免了最佳分类主成分的误选。正交信号校正（orthogonal signal correction，OSC）方法无法于在线工作中进行算法模型的调整，本文通过增加“记忆空间”和“识别结果处理”模块对OSC方法进行在线化改进，实验表明，与原方法相比，改进后的OSC方法能够于在线工作过程中分离出一定的长期漂移信号，减小其对传感器响应的影响。常规在线抗漂移方法包括多重自组织图（multiple self-organizing maps,MSOM）和自适应谐振（adaptive resonance theory, ART）网络。它们在重训练过程中仅对当前类别样本所对应的神经元权值进行在线修正，这样的做法容易造成局部补偿问题，给漂移补偿结果带来不良影响。本文针对局部补偿方法的这一缺陷提出了全局补偿方法，这种方法在重训练过程中对所有神经元权值进行漂移补偿，不仅对当前样本所对应神经元权值进行修改，而且还对其它神经元权值进行虚拟漂移补偿。实验表明：与原方法相比，改进后的MSOM在“多样本间隔进样”的情况下可以提高网络漂移补偿的准确性；与此同时，ART网络改进后的识别结果一致性得到了改善。实时性能是在线漂移补偿中的一个重要指标。本文通过去除在线过程中冗余的重训练过程优化MSOM和ART网络的实时性能，提出了基于自适应机制和变步长自适应机制的重训练触发方法。基于自适应机制的重训练触发方法依据当前样本的误差变化趋势调节重训练过程的间隔时间，实验表明该方法能够降低初始参数设置对网络实时性能和识别正确率的影响；基于变步长的自适应机制根据误差变化的趋势和快慢动态地调节重训练间隔时间，实验表明该方法保持了自适应机制的优点，同时进一步降低了算法对初始参数设置的敏感性。暂态样本用于重训练过程之后将会使算法失效，出现“盲目重训练”。为解决这一问题，本文提出使用样本形态学特征和算法特征作为数据选择依据的样本选择方法将暂态样本与重训练过程隔离。在基于形态学特征的数据选择方法中，通过首先考查多个适宜于在线检测的形态学特征，选定实时斜率作为的判断依据。通过训练样本确定斜率阈值，在线过程中比较实时斜率与斜率阈值的数值关系确定当前样本状态。在基于算法特征的数据选择方法中，使用early transitiondetection（ETD）模型中对算法特征的描述方法提取目标向量，根据训练样本中目标向量的数值变化趋势确定判断阈值，在线过程中比较该目标向量与阈值的数值关系确定当前样本状态。实验表明，两种方法对于气体样本快速进样的情况均可以起到筛选数据样本的作用且基于ETD方法的判别正确率更高。论文最后对前文所涉及的研究内容进行了总结并指出，当前的研究中对于长期漂移变化规律、漂移补偿与定量识别、算法实时性等问题仍然没有找到圆满的解决方法。在后续的研究中，应进一步深入地探索长期漂移基础理论并更多地关注算法鲁棒性等问题。