在过去的二十几年中,电子鼻系统已经在环境、农业监测和医学诊断等领域有了广泛的应用。但是,在电子鼻的长期使用过程中,传感器的灵敏度会随着环境因素、自身老化、中毒发生改变,因此当相同的气体在不同时间通入电子鼻中时,传感器的响应将随之变化,即发生了传感器的漂移,致使电子鼻的应用受到限制。因此论文主要研究电子鼻系统中传感器的漂移补偿算法,以提高电子鼻的使用寿命。传感器漂移致使先前收集数据(未漂移数据)和后收集数据(漂移数据)的统计分布不一致,进而导致模式识别预测精度下降,故论文解决的问题为如何使未漂移数据建立的模式识别模型能够更好的在漂移数据上应用。论文围绕提高模式识别精度这一目标,假设未漂移数据为源域,漂移数据为目标域,从域自适应对齐数据分布的角度出发,针对目标域有少量的标记样本和目标域仅有无标记样本两种场景对漂移补偿算法展开研究,主要研究内容如下:1.针对目标域有少量标记样本的场景,论文给出一种基于对抗学习估计域不变原型的漂移补偿算法。该算法的基本模型包含一个由神经网络构成的特征提取器和分类器,并利用熵计算未标记目标域样本特征和估计原型(每一类的表示)的相似度。为了提取目标域可区分性特征,训练分类器最大化熵,训练特征提取器以最小化熵,从而使得标记样本训练的分类模型可以更好的在未标记目标域样本上使用。最后,实验表明该算法能够有效补偿电子鼻系统中传感器的漂移。2.针对目标域仅有无标记样本的场景,论文给出一种基于Wasserstein距离学习特征表示的漂移补偿算法。该算法主要利用Wasserstein距离度量域之间的差异,首先将神经网络作为一个域判别器用于度量源域数据和目标域数据之间的经验Wasserstein距离,并通过对抗的方式学习一个最优的特征提取器以最小化Wasserstein距离。最后,为了让提取的特征表示具有区分性,将学习特征表示过程与源域的监督信号相结合,从而使得特征提取器学得的特征表示具有域不变的特性和可区分性。实验表明提出的方法比对比算法更具有竞争力。