中药作为几千年来人类医学智慧的结晶,其对人类的重大贡献也是不言而喻的。在当今时代,中药的发展也受到越来越多的重视。由于中药的临床用药安全与疗效与中药质量息息相关,因此中药的质量评价就显得尤为重要。性状鉴别作为传统的中药质量评价方法,是几千年来临床实践的经验总结,时至今日也仍然是评价中药质量的重要手段。然而性状鉴别方法具有一定的主观性,易受鉴定者经验的影响,推广与执行存在一定困难。随着科学技术的不断进步,各种新理论和新技术也逐渐应用到中药的质量评价中来,例如TLC、HPLC、GC-MS等方法,但这些方法相比之下前处理繁琐,试剂消耗多,缺乏整体性。因此,早日引入将传统经验鉴别评价标准数字化、客观化的手段迫在眉睫。本文针对以上问题,以大宗药材菊花为研究载体,建立了菊花样品的电子鼻检测方法以及建立了不同品种、是否熏硫以及不同开放程度的电子鼻判别模型。同时结合其他质量评价方法,对菊花样品进行了整体的质量评价。本论文的研究方法及主要结论如下：1对实验中22批菊花样品进行性状鉴别,结果表明：杭白菊呈碟形或扁球形,舌状花黄白色,通常无腺点。管状花黄色,极多,外露。因为杭白菊采用蒸制的加工方法,所以会有比较明显的粘连现象；贡菊呈扁球形或不规则球形,离散。舌状花类白色,通常无腺点。管状花浅黄色至黄色,少见,外露；亳菊呈倒圆锥形或圆筒形,离散。舌状花黄白色或类白色,极少有浅紫红色,散生腺点。管状花黄色,极少见,为舌状花所隐藏；祁菊和亳菊在性状上较为接近,不同点在于祁菊舌状花颜色为类白色或紫红色。2运用正交试验法优选了菊花总黄酮的提取工艺,建立了菊花总黄酮含量的测定方法,对22个菊花样品总黄酮含量进行了分析与比较,通过比较可以发现,不同菊花样品总黄酮含量存在显著性差异,即在相同开放程度下,总黄酮含量大小的排列顺序依次为祁菊、亳菊>杭菊、贡菊。同种菊花不同开放程度下,总黄酮含量也存在显著性差异,总黄酮含量为胎菊>全菊。3利用《中国药典》方法对22个菊花样品中绿原酸和木犀草苷含量进行了分析与比较,在相同开放程度下,这四种菊花的绿原酸含量基本一致,木犀草苷含量的比较结果为：杭菊、贡菊>祁菊>亳菊。同种菊花不同开放程度下,绿原酸及木犀草苷的比较结果均为胎菊>全菊。2015版《中国药典》规定,菊花绿原酸含量不得少于0.20%,木犀草苷含量不得少于0.080%。本研究中所涉及的4个品种22个样品中,所有样品绿原酸含量均合格,并普遍高于标准,杭菊(胎菊)的绿原酸含量可达标准含量的4倍；22个品种中杭菊、祁菊以及贡菊的木犀草苷含量均合格,其中杭菊(全菊)和贡菊的木犀草苷含量达标准的3倍左右,杭菊(胎菊)的木犀草苷含量更可达标准5倍。但所有亳菊的木犀草苷含量均不合格,这提示我们亳菊的木犀草苷含量较低,但如需进一步研究菊花的木犀草昔含量应扩大样本量,在样品量足够多的情况下再做出更为客观准确的结论。4利用《中国药典》检测二氧化硫残留量的方法对10个菊花样品的硫熏情况进行了检测。据国家标准可知,这10个样品当中有7个存在硫熏超标问题,并且是国家标准规定的3.8-16.9倍。因为本次研究所收集的样品均来源于河北安国和安徽毫州药材市场,因此不能代表目前市场上全部菊花的熏硫情况,如要进一步研究菊花的熏硫情况应搜集医院、药店等更多来源渠道的菊花进行检测才更具代表性,可更客观的说明问题。5建立了菊花样品GC-MS测定方法。对挑选出的6个样品进行了GC-MS检测,得到了6个样品的GC-MS指纹图谱,通过检索与核对,分离鉴定了83种挥发性成分。对这83种挥发性成分进行了分类与整理,可分为萜烯类、碳氢类、醇类、醛类、酯类以及酮类。不同样品菊花的挥发油种类差异较大,但以萜烯类、碳氢类以及酮类为主,其次为醛类、酯类和醇类。其中杭菊胎菊和毫菊萜烯类及碳氢类成分较多,祁菊硫熏与非硫熏两个样品酮类含量较高,贡菊酯类成分最多,杭菊全菊萜烯类、醛类和酮类含量较高。对GC-MS所采集到的数据进行PCA分析,结果显示不同样品的区分度较高,说明这6个样品的挥发油含量和种类有较大差异。其中祁菊硫熏和祁菊非硫熏样品相对最为集中,并和贡菊同处同一象限,亳菊样品的散点单独在第三象限,杭菊全菊和杭菊胎菊虽然均分布在Y轴右侧但分别分布于X轴上方和下方,这说明杭菊全菊和胎菊的挥发油种类和含量有一定的相似之处,但因为开放程度不同的原因,其挥发油种类和含量也有较大差异。PCA结果说明祁菊和贡菊在挥发油种类和含量上相似度相对较高,杭菊的全菊和胎菊具有一定的相似性但也存在差异。6通过对称样量、进样量、粒径、孵化温度、孵化时间等5个因素进行单因素考察及正交试验确定了电子鼻检测菊花气味的最佳测量参数：称样量0.5g,进样量500μl,样品粒径过2号筛,孵化温度为45℃,孵化时间为480s。所建立的方法准确可靠。通过对判别因子分析(DFA)、主成分分析(PCA)以及Bayes Net、Logistic、RBF Network、Bagging、Filtered Classifier、BF Tree、J48、RBF Tree、NB Tree、Random Tree、Random Forest、REP Tree等12种不同机器学习法进行对比分析,建立了菊花样品的电子鼻检测方法及不同品种、是否熏硫以及不同开放程度的电子鼻判别模型。其中判别因子分析(DFA)、主成分分析(PCA)以及Bagging、BF Tree、J48、Random Tree、 Random Forest以及REP Tree这6种机器学习法可以实现对菊花不同品种、是否熏硫以及不同开放程度的分类。通过进一步比较发现,Bagging、BF Tree、J48、Random Tree、 Random Forest以及REP Tree这6种机器学习法的正判率更高,适用范围也相对较广。证实所建立模型具有准确率高,学习速度快等优点,可以为菊花的气味鉴别提供一种简便、快捷的分析方法,为电子鼻在菊花的快速鉴别方面的应用提供实验依据和方法。建立了传感器阵列优化的方法。优化后的传感器阵列为S1、S3、S6、S7、S10、S11以及S12。采用方差分析法对传感器进行了优化,并通过Bagging、BF Tree、J48、NB Tree、 Random Tree以及R andom Forest等6种机器学习方法对优化后的传感器阵列进行考察,结果表明传感器优化后的正判率和之前正判率大体一致,部分机器学习法的正判率还有所提高,说明此种优化方法有效可行。GC-MS的PCA结果显示,祁菊和贡菊在挥发油种类和含量上相似度相对较高,与亳菊和杭菊差异较大。杭菊全菊和胎菊在挥发油种类和含量上具有一定相似性但也有不同。观察不同菊花样品以及不同开放程度的菊花样品的电子鼻PCA结果图也可以发现,祁菊和贡菊相似度较高,且与杭菊、毫菊较为分散；杭菊全菊和胎菊可以很好的分为两类,以上分类结果与GC-MS结果较为一致。这也说明GC-MS与电子鼻结果之间能够相互联系,同时也为电子鼻的分类鉴别提供了一定的依据。将电子鼻结果与菊花绿原酸、木犀草苷以及总黄酮的含量进行相关性分析,结果发现木犀草苷含量与电子鼻s1的最大响应值存在一定程度的负相关性。根据其相关性建立其方程为Y=-0.0641n(X)-0.0463。本研究从菊花的性状、理化鉴别以及气味测定这三方面入手,建立了“性状——内在物质基础——电子感官”之间的联系。即性状上存在“腺点”特征的菊花其挥发油含量也相对较高,电子鼻响应值也相对较大,反之亦然。同时也建立了电子鼻响应值与木犀草苷含量之间的方程,即可以通过电子鼻的响应值预测木犀草苷的大致含量。实现了将现存中药性状鉴别中描述气味的模糊性语言客观化、数字化。证实了电子鼻传感器阵列在对中药进行定性鉴别的同时,还具有对内在化学成分定量的分析能力。