电子鼻作为一种混合气体检测设备,凭借其速度较快、成本较低等优点,已逐渐被应用于食品检测、医疗诊断和环境监测等领域。但是,目前的电子鼻还存在体积偏大不便携带、检测信号易受噪声干扰导致稳定性偏低、分类与识别功能较为单一等问题。针对这些问题,本文以白酒检测为背景,设计了一款可以和手机通信的手持式电子鼻系统,并对电子鼻数据的降噪方法以及白酒的品牌和香型的多标签识别问题进行了重点研究。本文主要完成的研究工作如下:（1）设计了用于白酒检测的手持式电子鼻软硬件系统,并实现了基于手机的电子鼻控制及数据处理功能。硬件部分包括STM32系统、气体传感器阵列、气室、气泵、电磁阀、模数转换（Analog to Digital,AD）模块、电源管理模块以及蓝牙模块。设计了基于STM32的软件系统,实现了对电子鼻硬件系统的控制。为实现手持式电子鼻与手机互联,基于Android Studio设计了安卓端APP（Application）,在APP中实现了向电子鼻硬件平台发送控制指令、收集数据并保存,以及数据处理和模式识别的功能。（2）提出了渐近小波阈值函数,并通过仿真和实验验证了其有效性和优越性。在分析小波阈值降噪的原理后,对阈值函数进行了改进并提出了渐近阈值函数,使用不同的阈值函数对含噪的三种标准测试信号进行了仿真降噪测试,并基于自主研制的手持式电子鼻系统对6种白酒进行了检测。将采集到的数据分别使用不同的降噪方法进行处理,并对降噪后曲线进行了主观评价,使用类内离散度和类间离散度对主成分分析（Principal Components Analysis,PCA）得分图中的样本区分度进行了客观评价。仿真和实验结果表明,渐近阈值函数不仅可以对噪声有较好的过滤效果,而且还可以保留较为完整的原始信号。（3）针对白酒品牌和香型的多标签识别问题,对二元关联（Binary Relevance,BR）和分类器链（Classification Chain,CC）方法做出了改进。根据白酒多标签分类问题中标签具有一定约束性的特点,将传统多标签分类的BR法和CC法的二分类器用多分类器替代,并在基于多分类器的BR法和CC法中加入了集成学习的方法以提高分类效果。针对白酒多标签识别问题,分别基于多分类器和集成学习Stacking两种多标签识别方法对其进行了实验。结果表明,在相同的实验条件下,由于CC方法加入了标签之间的相关性,其分类正确率要高于BR方法,并且加入集成学习方法后,BR和CC方法的分类正确率都得到了提升,验证了基于集成学习的多标签分类方法的优越性。