人工嗅觉采用人工智能模拟人类的嗅觉系统，它是国际上仿生学的一个热点，已经被用于食品、药物等重要行业的实际应用中。人工味觉系统通过电子鼻仿生传感器采样(硬件部分)和相关数据分析处理技术(软件部分)得以实现。智能传感器技术日星月异的进步逐渐提高了人工嗅觉的样本采集精度，另外一方面，国内外很多的研究应用也关注在嗅觉数据的分析处理上。 本文采用Alpha M.O.S公司的传感器阵列来采集具有不同气味的液体的数据，此传感器矩阵能对液体的气味特性进行全面的采样。由于数据的非线性以及人类嗅觉评判的智力系统的复杂性，给人工嗅觉系统在区别不同类别、不同浓度、不同等级呈味溶液的精确性与可用性提出了很大的挑战。因此，设计出识别效率高的分类器成为鉴定人工嗅觉系统最重要的工作。 针对这个问题，就现行的模式识别领域进行了相关的调研了解，尝试将表现不俗的人工神经网络用于人工嗅觉识别。研究发现，BP网络能成功地进行人工嗅觉的模式识别，并达到较高的识别效果和较小的训练成本。BP网络是目前应用最多的一种神经网络形式，它在很多实际应用中有着非常优秀的表现。BP网络实现了从输入到输出的映射功能，而数学理论已证明它具有实现任何复杂非线性映射的功能，因此它特别适合于求解内部机制复杂的问题，并具有自学习能力和一定的推广、概括能力。但是BP算法的学习速度很慢，网络训练失败的可能性较大，且网络结构的选择尚无一种统一而完整的理论指导，一般只能由经验选定。本文就以上各个难点，改进了标准BP网络的学习算法和优化算法。实验证明改进后的BP网络在基本味的识别中有着很好的评判效果。相比常用的两种统计模式识别方法——主成分分析一马氏距离判别法与贝叶斯判别函数分析法，本文选定的多层前向BP神经网络分类方法有着更加出色的效果。