肺癌是威胁人类生命的恶性肿瘤之一,而现有的诊断手段很难同时满足可靠、操作简单、成本低、速度快以及无创的筛查要求。近年来,利用电子鼻技术通过人体呼气中的挥发性有机化合物（volatile organic compounds,VOCs）进行肺癌诊断逐步成为了一种富有巨大潜力的方法。为此,本文作者所在项目组做了大量的研究,研发了通过呼气诊断肺癌的电子鼻样机。本文围绕样机研发中如何有效进行特征提取的问题、不同样机因元件参数的离散性导致测试结果不一致的板间差异问题、传感器漂移产生检测偏差的问题开展研究。主要工作及成果如下:（1）针对单台肺癌诊断电子鼻样机的性能提升问题,面向电子鼻在肺癌呼气诊断方面的应用需求,构建了多类型的传感器阵列,对传感器信号的特征提取、特征选择方法进行了研究。结果表明,本项目所构建的肺癌诊断电子鼻系统能够通过呼气有效识别肺癌患者;从原始传感器响应的指数移动平均变换（exponential moving average,EMA）曲线上所提取的特征,有效提高了诊断模型的性能;稀疏组Lasso（sparse group Lasso,SGL）特征选择算法进一步提高了诊断模型的各项指标;针对SGL优化结果的分析在一定程度上说明了所构建传感器阵列的合理性;多类型传感器组合的有效作用也得到了证实。（2）针对板间差异所造成的数据偏移问题,在目标域存在少量迁移样本的前提下,提出了一种数据校正算法——稀疏单向域适配（sparse unidirectional domain adaptation,SUDA）。与以往的数据校正方法不同,SUDA算法由两步构成。第一步主要改善了多种原因导致的单域数据高混叠的问题;第二步则聚焦于单向域适配（UDA）,改进了现有的单向域适配方法,对数据进行了显式的均值分布差异和条件均值分布差异校正。在两台肺癌诊断电子鼻样机上所采集数据和公开电子鼻数据上的实验均表明,所提出算法能够有效进行板间差异校正。（3）针对气体传感器漂移所造成的数据偏移问题,在目标域无迁移样本的设定下,基于宽度学习系统（broad learning system,BLS）的网络结构创新性地提出了一种能够同时自适应边缘分布和条件分布变化的宽度网络模型——域迁移宽度学习系统（domain transfer broad learning system,DTBLS）。与SUDA算法相比,DTBLS将数据校正和分类器训练合二为一,简化了模型的步骤。DTBLS算法通过对原始数据的BLS特征和网络输出层之间的权重矩阵施加约束,既继承了BLS网络的快速计算能力又具备了跨域判别能力。在自制肺癌诊断电子鼻数据集和加州大学欧文分校长期气体传感器漂移数据集上的实验表明,DTBLS在抑制传感器漂移方面具有很大的优势。（4）不同样机之间往往同时存在时间漂移和板间差异,针对这种情况下的多物理域混合数据偏移问题,提出一种适用于“多源域—多目标域”迁移学习场景的数据校正算法——基于串行测地线流式核（serial geodesic flow kernel,SGFK）的多物理域混合偏移校正算法。SGFK算法是一种无监督的多域适配方法,具有很广的适用范围。该算法利用数据的低维结构分段跟踪数据分布变化的路径,进而获取多域不变的超级特征向量,并在此基础上构造一种具备多域迁移能力的核函数,实现多域适配的目的。另外,细粒度的参考域细化了差异较大的两个域间数据分布变化的过程,提升了SGFK算法多域适配的能力。在两台肺癌电子鼻数据上的实验表明,SGFK算法能够有效校正混合数据偏移,细粒度的参考域也能明显提高SGFK算法的校正能力。