随着社会的快速发展,很多易燃易爆、带有毒性的气体被广泛运用于化工原料或者作为能源气体。但是这些气体在储存期间往往存在安全隐患,当气体在空气中泄露到一定浓度,遇到明火就会引发爆炸,或者人长期在低浓度有毒气体环境中生活和工作,会对人体器官造成不可逆的损伤,因此对有毒气体进行有效和精确的检测具有十分重要的意义。为了实现气敏传感器能够检测环境中存在的低浓度混合气体,并且给出混合气体的浓度和种类。本文采用水热法分别制备纯ZnO和CuO气敏材料,以及Y2O3掺杂的高性能ZnO和CuO气敏材料。将制备好的四种气敏材料制成传感器阵列,结合模式识别算法,实现对混合气体（甲醛、氨气、乙醇和丙酮）浓度的定量预测和种类的定性识别。本文的主要研究结果如下:（1）制备的纯ZnO为纳米片结构,呈现伞射状,掺杂后的Y2O3以微型颗粒附着在ZnO纳米片中。制备的纯CuO为纳米棒,掺杂后的Y2O3将部分CuO纳米棒包裹起来,形成核壳结构。因为有Y2O3的存在,扩大ZnO和CuO气敏材料的表面积,同时增加载流子的浓度,提高气敏材料的性能。将四种气敏材料制成气敏传感器,在低浓度下,分别测试甲醛、氨气、乙醇和丙酮的响应性能。掺杂后的ZnO和CuO对四种气体的响应性能普遍提高,其中,对浓度为10ppm的甲醛气体,钇掺杂ZnO的灵敏度为69.2%,钇掺杂CuO的灵敏度为78.5%,因此制备的气敏传感器能够检测低浓度气体,同时传感器具有良好的稳定性。（2）利用制备好的气敏传感器采集混合气体的响应数据,为了减少气敏传感器本身的响应误差,对响应曲线作滤波和归一化处理。提取响应曲线中的最值作为特征值,同一浓度下不同传感器的响应曲线之间,最值存在明显差异。利用差分算法对响应曲线做处理,分别提取曲线的上升沿和下降沿作为特征值,实现特征值维数的扩展,提高响应曲线的利用率。（3）将提取出的两种特征值结合BP神经网络,完成对混合气体浓度的定量预测。利用遗传算法全局搜索BP神经网络的权值和阈值,实现对BP神经网络的优化,预测结果表明,差分算法结合优化后的BP神经网络具有更佳优良的预测性能,在低浓度下对混合气体（甲醛、氨气、乙醇和丙酮）的预测误差为4.37%、5.74%、6.74%、和8.56%。将提取出的最值特征值与支持向量机结合,完成对混合气体种类的定性识别,识别精度为95.25%。为了获取最优的c和g值,利用遗传算法对支持向量机进行优化,识别结果表明,优化后的支持向量机,具有更好的识别性能,识别精度为97.41%。