长期以来，仿生嗅觉研究一直进展缓慢，究其原因，一方面是由于生物嗅觉系统的本质远比其它感觉系统复杂；另一个方面就是嗅觉接受的感知信号并不是单一的，而且生物嗅觉系统内发生的信号处理过程极其复杂。目前常用的方式是通过多个敏感程度不同的气体传感器组成传感器阵列，结合神经网络等模式识别方法构成仿生嗅觉系统，用该系统进行多种气体的识别和检测具有很大的实用价值，而信息采集和模式识别是系统性能的关键。本文是以生物嗅觉系统原理及国内外研究成果为基础，研究基于支持向量机和人工神经网络的鱼的新鲜度估计系统。目的在于利用传感器阵列对气体的高维响应模式来实现对不同气味的识别，解决目前单个气体传感器选择性差的问题；通过对仿生嗅觉系统信息获取与处理的方法进行研究，提出运用支持向量机(SVM)(定性分类)与人工神经网络(ANN)(定量分类)相结合的模式识别方法，解决基于仿生嗅觉系统对鱼的新鲜度估计的问题。与新西兰的Auckland工业大学的合作项目里对新西兰市场上最受欢迎的四类鱼(红甲鱼、鲂鱼、唇指鲈和(澳洲)鲹)进行了测量实验，获取了大量的图片和数据。本课题通过计算机进行数值计算和数据处理，运用了巧妙的数据预处理技术并结合多种特征提取技术，得到了较好的正确识别率。SVM是新近出现的一种机器学习方法，它最突出的优点是：(1)基于统计学习理论，给出了实际风险的上界，避免过学习；(2)求解问题归结为一个线性约束的凸二次规划(QP)问题，解是全局最优的和唯一的，避免局部极小；(3)应用核函数，将输入空间中的线性不可分数据化为特征空间线性可分数据。实验结果表明，使用SVM与ANN相结合对仿生嗅觉系统进行模式识别，可以大大简化神经网络的结构，加快网络的收敛速度，扩展系统的应用，提高系统的识别精度；可以充分发挥经验风险最小化的ANN和结构风险最小化的SVM二者各自的优势，实现优势互补，从而能够满足实际应用的需要。