电子鼻不仅对于各类气体污染日益严重的今天有着重要的应用价值,同时随着计算机技术以及模式识别知识的发展,电子鼻的应用已经扩展到医疗诊断、工业生产以及食品安全等等领域中了。但是,由于电子鼻中的气体传感器漂移问题严重影响着电子鼻的可靠性与实用性,因此大大制约了电子鼻在实际中的应用与推广。因为造成气体传感器发生漂移的原因复杂,诸如化学腐蚀、材质老化、环境变化等因素,这种漂移特征具有高度的非线性与混沌性,所以对于气体传感器的漂移补偿一直是个棘手的问题。深度信念网络(Deep Belief Network,DBN)作为深度学习中的典型模型,具有很强的非线性拟合能力,能够通过多层隐含层的非线性映射,提取对象的深度特征。本文正是基于DBN的这些优点,将它应用到电子鼻的气体传感器漂移补偿当中。具体来说本文做了以下三方面的工作:(1)针对气体传感器漂移信号因为高度非线性与混沌性而难以从特征层面上进行补偿的问题,本文提出并验证了DBN能够在特征层面上抑制漂移信号的表达,以及分析总结出了DBN是通过对对象不断分解重构,增强特征间的相关性,做到对漂移特征的抑制。(2)针对DBN的参数难以设置与调节问题,本文就气体传感器漂移补偿问题,将参数划分为学习参数与结构参数两个方面进行了详细分析,并通过对比试验得出了最优的参数设置。(3)通过总结目前的自适应校正漂移补偿方法,提出了基于迁移学习的DBN气体传感器漂移补偿方法,从特征层面与决策层面双管齐下的对传感器漂移进行补偿,并通过实验验证了其有效性。