近年来,气体检测技术发展迅速,在航空航天、公共安全、大气环境检测、食品质量监控等领域具有潜在的应用潜力。针对现有基于MOS气体传感器阵列的混合气体检测方法在现实大气环境条件中应用的局限性,本文对大气环境条件下湍流混合气体检测方法进行研究,其主要研究内容如下:针对MOS气体传感器阵列特征提取问题,本文利用基线处理方法实现数据预处理,有效减少传感器漂移对气体响应信号的影响,再采用主成分分析（PCA）对MOS气体传感器阵列多维响应信号进行降维,实现特征提取。此外,本文研究了不同的训练样本选择策略,以提升混合气体检测模型的性能。针对湍流混合气体成分识别准确率较低的问题,本文利用长短时记忆神经网络（LSTM）对长时间序列数据的良好处理能力,实现混合气体成分识别。为了提升LSTM模型的气体识别准确率,本文利用鲸鱼算法（WOA）有效平衡全局搜索和局部搜索的能力,优化LSTM模型的学习率和隐藏神经层单元数,进一步构建WOA-LSTM模型。实验结果表明,WOA-LSTM模型对混合气体中某单一气体的存在进行识别时,模型的平均识别准确率为96.7%。针对混合气体中多种气体组成进行识别时,尽管样本存在分布不均衡且数量较小的问题,模型依然具有较好的性能,其平均识别准确率达到94.90%。针对湍流混合气体成分浓度检测准确性较低问题,本文采用最小二乘支持向量机（LSSVM）作为混合气体浓度检测模型。为了解决LSSVM核函数参数的选择问题,本文通过粒子群优化算法（PSO）对其参数进行优化,进一步提升气体浓度检测精度。实验结果表明,本文提出的PSO-LSSVM混合气体成分检测方法能够有效地实现混合气体浓度估计,甲烷、乙烯、一氧化碳的浓度预测平均绝对百分比误差仅为2.58%、4.19%、1.29%。