随着工业化的发展,有害气体泄漏已经对人们的生产和生活产生了威胁。目前关于有害气体泄漏源定位的研究虽然较多,但现有的研究多假设泄漏源在一个理想的环境中,过于理想化的研究无法很好地应对现实中的挑战。为解决复杂环境下的气体泄漏源定位问题,本文提出了一种光谱信号区域基线拟合算法用以提高气体信号提取的准确性,一种新的智能优化算法用以提高泄漏源定位的效率和可靠性,实现了复杂环境下基于所提算法的泄漏源定位。本文的主要内容如下:1)光谱基线拟合算法研究:提出了一种光谱信号区域基线拟合算法QGS（Quadratic polynomial fuse Gradual Suction）。实验结果表明,QGS拟合算法在不同的基线类型和不同的信噪比下均具有较高的准确性和稳定性,其总体拟合精度的相对误差仅为分段二次多项式拟合的47.0%,为Air PLS拟合的35.6%,为Wavelet拟合的20%,且由于只对光谱信号区域进行基线拟合,算法具有较好的实时性。2)智能优化算法研究:提出了一种新的智能优化算法CEOA（Chief Executive Officer Election Optimization Algorithm）,该算法灵感来源于公司在选举CEO过程中不同的人会有不同的选择方式。为验证CEOA性能,采用21个经典测试函数、29个CEC2017会议函数和6个具体工程设计优化问题对算法进行了测试,结果表明,与经典的DE、GWO及先进的EO、MPA和AFEA等优化算法相比,CEOA在具有高效的开发能力的同时兼具有效的勘探能力,其无论是在单模态还是多模态函数,无论是在低维还是高维函数测试中都取得了整体最佳效果。3)基于CEOA的泄漏源定位算法研究:提出了基于CEOA的复杂环境泄漏源定位算法,算法除了利用多机器人实时测得的信息作为粒子,还利用其曾经感知到的历史信息作为补充粒子,通过CEOA以及K-means算法聚类得到机器人下一步的行动方向,并提出了分散搜索,局部避障等多机器人协作移动策略。为了检验算法的有效性,使用了4个不同的仿真场景以及不同数量的机器人进行实验,在不同场景中,当机器人数量为3时,定位成功率在90%以上,而当机器人数量大于3时,定位成功率为100%。结果证明基于CEOA算法的复杂环境泄漏源定位方法具有很强的鲁棒性。为后续研究多泄漏源定位以及在真实环境中的泄漏源定位奠定了基础。