随着经济和社会的快速发展,环境中有毒有害气体日益增加,其中挥发性有机物（VOCs）作为一类典型污染物,严重危害人类健康。因此,如何对VOCs进行快速监测和预警是亟待解决的难题。气敏传感器法作为一种典型的气体监测手段,具有成本低、灵敏度高、易使用等优点,但其仍存在选择性差、测试时间长的问题。基于上述背景,本文提出将气敏传感器与机器学习模型结合的方法,使用多分类模型处理传感器捕获的电信号,以实现气体高选择性的快速检测。本文主要研究内容如下:使用静电纺丝法和煅烧法分别制备掺杂镍（Ni）、钛（Ti）、铟（In）和钯（Pd）四种金属元素的二氧化锡（SnO2）纳米线材料。试验结果发现,掺杂不同金属的材料均对气体存在倾向性,即分别测试甲醛、乙醇、丙酮和苯四种VOCs气体时,表现出了完全不同的响应值大小顺序。使用此类气体选择性高的传感器阵列可以更好的捕获气体差异,为机器学习分类收集数据。使用传感器阵列测试固定浓度（50 ppm）的上述四种VOCs的电阻-时间曲线,在电阻快速变化的时间内计算导数特征矩阵,用以反映气体在不同材料表面的反应速率。使用主成分分析法（PCA）和随机森林法（RF）计算该特征在不同时刻的预测准确率。结果发现,37 s内气体识别的准确率均高于95.49%,将检测速率提高了16倍,实现了气体的快速识别。此外,每种气体增加5、10、20 ppm三个浓度的气体测试,以探究浓度对气体分类效果的影响。借助SMOTE上采样方法,消除了气体浓度对数据量的影响。RF分类结果显示,28 s内气体识别的准确率均高于70%;37 s内的准确率高于67.7%,证实了该方法可同时实现气体浓度和种类的快速分类。综上,本文将气敏传感器与机器学习模型联用,实现了VOCs气体高选择性的快速检测,证实了将人工智能应用于气体识别的可行性。