电子鼻系统通过模拟生物嗅觉系统，实现了对气味特征的快速分析，系统中的气体传感器阵列、信号处理单元和模式识别单元分别模拟生物嗅觉系统中的嗅觉受体、嗅球和大脑皮层，以完成对不同气味分子的识别。在实际应用中，电子鼻系统面临着诸多的干扰问题，如：易受环境温度、湿度及气压等环境干扰因素的影响；对目标检测气体有响应的同时，对一些非检测干扰物也有响应；由于老化、中毒等引起的传感器漂移问题等。当干扰存在时，由标准样本训练好的判别模型和浓度预测模型的性能将下降甚至检测失效，因此，干扰抑制方法的探索研究在电子鼻技术中是必不可少的。　　本文旨在从多角度出发分析引起电子鼻系统干扰问题的因素，探索电子鼻干扰抑制的方法，从而提高电子鼻系统的预测性能，增强其稳定性与泛化性。本文的主要研究内容包括：系统的对电子鼻中存在的干扰进行了分类，并且总结了常用的干扰抑制技术；针对扩散式和泵吸式两种不同采样方式的电子鼻系统，根据工作原理的不同，分析其面临的干扰问题，并提出相应的干扰抑制方法；从数据特征分布的角度出发，利用迁移学习思想解决背景干扰问题及传感器共性的漂移问题。本文的研究成果/创新包含以下三方面：　　①基于模式错配的电子鼻动态干扰抑制方法　　在检测过程中，非目标物质的突然出现造成的动态干扰是扩散式电子鼻系统所面临的突出干扰问题。由于干扰物质是多种多样的，且不可能通过实验全部获得，而电子鼻所要检测的目标物质是固定的、不变的，因此可将目标气体的模式看作不变的信息，将现实应用中所有非目标干扰源统一归为一个与目标气体独立的类别，根据这一特点，本文提出了一种基于模式错配的干扰消除方法，分别通过干扰判别（模式错配）和干扰校正（干扰消除）两步实现干扰的抑制。干扰判别的原则是：新的传感器响应是否违反了由固定的目标气体建立的固有模式。文中利用正交信号校正（OSC）算法作为干扰校正模型以消除干扰信息。通过三个数据集（标准数据集、干扰目标混合数据集及模拟实际应用采集的数据集）验证了提出模型的性能。本文所提出方法对验证集（文中数据集3）的误判率为3.25％，好于常用的分类器方法（5.08%），因此，从实验结果可得，本文提出的基于模式错配的干扰消除方法具有较好的干扰抑制效果。　　②基于相关信息去除的电子鼻背景干扰抑制方法　　在检测过程中，由于载气不纯净造成的背景干扰是泵吸式电子鼻面临的突出干扰问题。泵吸式电子鼻系统的采样过程通常分为基线阶段、采样阶段、清洗阶段三部分。在载气稳定的情况下，整个采样过程中载气对传感器响应的影响是一致的，因此可根据基线阶段获取的干扰信息去除采样阶段的干扰。根据这一特点，本文提出了基于相关信息去除的干扰抑制方法，其主要是利用基线样本的数据信息，获取背景干扰的主方向，通过去除采样阶段样本在该方向上的信息达到抑制背景干扰的目的。通过主成分分析（PCA）获取干扰方向的方法获得了较好的干扰抑制效果，并通过三个电子鼻背景干扰数据集验证了其良好的抗干扰性能。　　③基于域校正-自适应极限学习机模型的电子鼻抗干扰方法　　当存在背景干扰或传感器发生漂移时，会出现实际应用中的采样数据分布与先前的训练数据分布不同的情况，其不符合传统机器学习要求测试数据与训练数据特征空间一致的基本假设，从而影响了电子鼻系统的检测性能。基于迁移学习思想，本文提出了具有迁移能力的基于域校正-自适应极限学习机模型的电子鼻抗干扰方法，该方法从数据层面及决策层面两个角度出发实现了知识迁移，提高了预测模型的鲁棒性，使电子鼻有更强的抗干扰能力，达到干扰抑制的效果。该算法由两部分组成：1）解决两个数据域之间特征分布不同问题的域校正；2）利用源域中的所有样本及目标域中的迁移样本训练的泛化性强的分类器。通过自制电子鼻系统采集的背景干扰数据集和来自 UCSD的公开传感器漂移数据集验证了所提方法的有效性。对于两个数据集，提出的方法在目标域有5个迁移样本时达到了最好的识别率，即：抗干扰性能最好。