室内气体定量分析在仿生嗅觉中是一个热点应用领域,对于人们健康有着非常重要的意义。如果能够有效地提取在不同干扰情况下的混合气体的特征,这对于实际环境中的应用具有重要的作用。传统的室内气体分析主要是理化鉴别法,存在着技术门槛高,实时性差的缺点。本文的目的是探索使用深度学习对混合气体进行定量分析的方法,对比目前仿生嗅觉已有的模式识别算法,研究对象为电子鼻采集的室内有毒有害的甲醛混合气体数据,综合考虑了不同干扰场景下的室内甲醛浓度。主要研究工作包括:（1）使用多通道的气体配气仪和PEN3电子鼻采集了不同浓度的甲醛气体,并通过加入不同浓度干扰气体模拟实际场景中的室内混合气体。再经过一些数据预处理方法,从而得到了基于仿生嗅觉的混合气体数据集。（2）基于仿生嗅觉的混合气体电子鼻响应数据的特点,为了有效监测室内有害气体,运用了卷积神经网络,从而省去了人工进行特征工程的过程,并在这基础上提出了利用随机区域池化的训练方法来帮助CNN的特征图上能得到更多更丰富的细节特征。该方法通过提升CNN的特征丰富度和多样性,让CNN在有干扰的场景下的气体定量分析的任务上拥有更好的性能。（3）由于传感器的交叉灵敏度、卷积神经网络在混合气体的定量分析中模型稳定性不足的问题,本文提出了基于SRP-残差收缩网络的室内有害气体定量分析方法。其利用残差网络来提高深度学习方法学习电子鼻有干扰信号特征下的能力,也提高混合气体定量分析的准确性,增强了模型的鲁棒性。为了消除非必要的背景噪声和未知气味的干扰,提出了小波降噪中的软阈值函数用作非线性层,并将其嵌入到残差神经网络中,适用于电子鼻的室内混合气体数据集维度大、背景噪声多的特性。并加入了SRP的方法进行对比实验,通过使用具有不同干扰水平的甲醛气体数据集进行了验证。（4）算法性能验证。为了验证SRP-CNN和SRP-残差收缩网络对室内有害气体污染等级识别的效果,将PCA+LDA、随机森林、SVM、CNN、Res Net、SRP-CNN和SRP-残差收缩网络七种算法进行实验比较。实验结果证明:在CNN中使用随机区域池化方法能够有效提高网络提取特征的能力,相对于其他池化方法,SRP泛化能力更强,并且提高了模型的准确性;在有干扰的混合气体中,SRP-CNN、SRP-残差收缩网络识别的甲醛等级识别准确率都达到了90%以上;通过对比实验,发现SRP-残差收缩网络在模型的鲁棒性上比CNN、SRP-CNN、Res Net更好。该模型为构建更好的气体定量分析模型奠定了基础,为构建真正智能的仿生嗅觉系统进行的一次有益探索。