电子鼻作为一种对挥发性样品检测极具发展潜力的智能感官仪器，在食品检测方面已有诸多应用。但是，电子鼻至今仍不具有可靠的工程实用价值。其主要原因是，所建立的检测模型时效性强，不具有长期稳健性。为了提高电子鼻检测性能，本课题以食醋为研究对象开展了关联研究，主要体现在两个方面：①食醋电子鼻测试信号特征表征方法研究；②漂移校正方法研究及稳健鉴别模型构建。特征表征方法研究主要是寻找不同传感器、不同特征参量表征信息之间的最优表征特征。漂移校正方法研究是为了解决电子鼻传感器老化、环境变化等因素造成的漂移现象。在这两个方面研究的基础上，运用递归校正以实现食醋电子鼻稳健检测。
　　在特征优化方面，提出了一种基于多变量分析的食醋电子鼻信号多特征表征策略。在提取了6种食醋电子鼻原始信息的多种特征值基础上，采取载荷分析进行电子鼻传感器阵列优选，然后运用主成分分析（Principal component analysis， PCA）消除传感器特征数据（变量）间的相关性，以更好、更准确地构造WilksΛ统计量，然后借助于生成主成分变量的线性组合系数，探索电子鼻数据的最佳表征特征变量集构成。经筛选去掉了36个特征，最终采用48个特征参量实现了食醋电子鼻信号的有效表征。同时运用Fisher判别分析（ Fisher discriminant analysis，FDA）和BP神经网络（Back propagation neural network，BPNN）对特征选取前后的结果进行分析，测试集的鉴别正确率分别达到了90.74%和93.51%。另外，利用巴氏距离进一步揭示了样品间的可分离程度及FDA与BPNN结果的可信性。研究结果表明所提出的特征选择策略是可靠的。
　　在漂移递归校正与模型构建方面，提出一种基于独立成分分析（Independent component analysis，ICA）的漂移校正方法，建立了食醋电子鼻检测的长期漂移递归校正FDA模型。该方法主要包括小波能量阈值选择原则的确立和构建检测模型的样本测试数量窗口（Sample test amount window，STAW）概念的提出。首先，采用ICA算法分离得到互相独立的信号分量（食醋响应信号和漂移等误差信息），在确定小波能量阈值选择原则的前提下，挑选出有用的信号分量；最后对选择的信号分量进行重构，得到少含或不含漂移等误差信息的食醋电子鼻信号。在漂移信号被校正后，提取优选的48个特征表征参量；同时，采用递归校正FDA鉴别方法，比较不同测试样本数量下的检测模型的差异，确立了STAM为100的训练集构造方法，且所建立的递归FDA模型可以对随后的20个样本测试数量准确识别，正确率高达95.83%，进而实现了对6种食醋样品的稳健鉴别模型的构建。研究结果为食品长期稳健模型的构建提供了一种新思路。