由于气体传感器具有交叉敏感特性,单一气体传感器无法同时对多种气体进行准确的定量检测。因此,将多个传感器组成阵列并与模式识别方法相结合,构造对混合气体分析的电子鼻系统,已在很多领域得到广泛应用,其中模式识别技术对系统的行为起着关键性的作用。本文针对这一需求,研究相关电子鼻系统的模式识别方法,以实现对混合气体的定量识别。论文研究了主分量分析和独立分量分析两种信号预处理算法,利用主分量分析能够在保证原始数据信息损失最小的情况下,对数据进行降维的特点;以及独立分量分析能够对信号进行优化,去除信号之间的高阶相关性的特点,将两种算法相结合,对电子鼻信号进行有效的预处理,将预处理前后的样本数据进行对比,验证了主分量分析和独立分量分析相结合的优化作用;在对模式识别技术中的神经网络和模糊推理技术进行深入分析基础上,综合模糊逻辑推理的规则表达能力和神经网络的自学习能力,实现了Takagi-Sugeno模糊神经网络算法,并用于酒精浓度识别。论文还采用了一种改进的模糊神经网络识别方法,即多神经网络集成的Takagi-Sugeno模糊系统,它利用神经网络模拟主观选择,可精确获得联合隶属函数和推理规则,避免主观选择带来的低效率和不精确性。本文利用酒精识别电子鼻的测试数据作为样本,利用上述算法,对54种不同类型混合气体进行了定量识别,对酒精浓度的识别精确度可达到99%。采用上述的信号预处理和模糊神经网络识别算法,能够很好地实现对电子鼻的酒精检测数据的定量识别。