在日常生产生活中有大量场合需要对各种易燃、易爆、有毒气体进行识别、监测。其中,先进的电子鼻系统由于拥有气体传感器阵列,以及相应的信号采集电路部分、算法处理部分,相比传统的单个气体传感器更能应对各种复杂的气体传感、探测要求。然而,电子鼻系统的前端气体传感器部分与气体分子的反应一般耗时较长,严重降低了整个系统的响应处理速度。这对于将电子鼻系统应用于一些易燃易爆危险气体的快速检测场合带来了挑战。一些研究者试图通过各种不同的瞬态特征提取方式来提高整个系统的处理速度,然而对应的算法识别率却无法让人满意。因此,本文主要针对电子鼻系统的瞬态信号处理部分做了深入的研究,自主设计了具有较大创新性的卷积循环神经网络,同时也是首次将卷积神经网络和循环神经网络结合并用于电子鼻系统的气体检测识别。该网络成功实现了对瞬态气体响应信号进行有效的特征提取,并且在短时间内实现高准确率的识别。具体地,我们利用卷积核从输入数据中自动提取出特征。为了更好的适用于气体识别应用,我们对卷积核的结构进行了优化。另外,在卷积神经网络之后加入的长短期记忆神经网络(LSTM)可以提取序列信息。最后,为了解决在主流气体传感器设备中广泛存在的漂移问题,我们采用了以单个时间步为基础的数据预处理方法。本文中所使用的数据库,包含5批次的8个不同的传感器对于4种常见的易燃气体在一段时间内的响应。该样本集不仅被用于训练我们所提出的卷积循环气体神经网络,同时被用于训练多个广泛使用的气体识别算法(随机森林、梯度提升树、最邻近算法、支持向量机、线性判别分析)。通过实验结果的对比,我们发现本文提出的算法在气体快速识别方面有效且优越:基于0.5秒时长的系统识别准确率可以达到84%,基于4秒时长的系统识别准确率可以达到98%。除此之外,本文还对提出的网络模型在气体抗漂移情况下的识别能力进行了探索。结果表明该模型具有优秀的抗漂移能力,在两类公认的测试条件下,所获得的结果均比其他上面所提的算法好。最后本文还对模型的输入层、卷积层、循环层的输出特征进行对比,探索揭示模型各层对特征表达的影响。