有毒有害气体的检测在环境保护、石油化工、煤矿瓦斯、地震等自然灾害领域有着广泛的应用。这些有毒有害气体不仅影响空气质量,还严重危害人的生命健康。因此,对有毒气体的检测变得十分重要。但是由于各类气体传感器敏感机理的限制,被测工况环境里温度和湿度的变化对有毒有害气体浓度的检测精度和准确度有着严重影响,本文设计和研究了一种改进型神经网络数据融合算法来实现对有毒有害气体浓度进行温湿度补偿,实现了复杂工况下有毒有害气体浓度的高精度准确检测。本文在综合调研国内外有关气体传感器检测机理、气体传感器温湿度补偿方法的研究现状和发展趋势基础之上,对所选用的三类典型有毒气体传感器（电化学传感器、红外气体传感器和PID传感器）的结构、工作原理、工况环境温湿度对其产生的测量误差影响机理进行详细分析。最终选择了三种典型气体传感器构成气体检测系统。在此基础上,构建了温湿度补偿方法测试验证的平台。针对气体传感器在不同温湿度环境下测量产生误差的影响机理,本文以改进的神经网络算法作为一种解决问题的途径来对其实现温湿度补偿。神经网络算法对气体传感器进行温湿度补偿,但该算法容易陷入局部极值且收敛速度缓慢;针对此问题引入了粒子群算法来对神经网络的参数进行寻优,但是容易出现早熟收敛的现象;最终引入遗传算法并结合粒子群算法来优化神经网络,克服了遗传算法速度慢的问题,同时弥补了粒子群算法早熟收敛的现象,为气体传感器的温湿度补偿提供了有效的方法。在构建的有毒气体温湿度补偿方法测试验证平台上,首先完成了对整个系统的搭建并进行了温湿度实验,为补偿方法的测试验证提供数据支撑。然后利用BP神经网络、粒子群算法（PSO）优化神经网络、遗传算法与粒子群算法结合来优化神经网络（GA-PSO-BP）,分别对四种气体CO、SO2、CH4和挥发性有机物（VOC）进行温湿度补偿,并计算补偿后的值与实际所测浓度误差。实验结果表明,遗传算法与粒子群算法结合优化后的神经网络（GA-PSO-BP）对气体传感器的温湿度补偿效果最好,气体传感器检测系统对不同气体温湿度补偿后的平均误差为1.64%,验证了该补偿方法的先进性能。