烟用香精香料是在烟草产品生产过程中加入的成分复杂的重要原料。这些香精香料不仅可以赋予烟草产品特殊的风味特征,还能保护烟草产品不被微生物感染发生变质。因此,高品质的烟用香精香料是生产出合格的商用烟草产品的重要保证。然而,由于烟用香精香料成分的复杂性,对其实现良好品控一直是个挑战。以往对烟用香精香料的鉴别依靠人工评析,这种方法具有一定的主观性,受个人身体状况及主观意志影响较大。而以现代分析技术为基础的指纹图谱法虽然可以满足定性定量鉴别的需求,但在应用中往往受限于检测设备的昂贵、制样过程的复杂、检测时间的冗长及需要专业的实验室人员操作等缺点。近年来,新兴电子鼻技术因其成本低廉、灵敏度高、操作便捷等特点有望在烟用香精香料的品控中实现有效应用。根据云南中烟工业有限责任公司提供的信息,傅里叶变换衰减全反射红外光谱被用来检测四组样品,结果表明,四组烟用香精香料的组内样品的红外光谱图差异极小,组内样品之间的相似度均高于98%,然而,将其加入香烟制成成品,却出现成品味道差异明显,无法满足实际生产需求的现象。基于此,本课题组自行搭建了电子鼻系统,探索其在四组烟用香精香料标样及其伪品的分类鉴别中的应用。首先,利用棉花模板法合成WO3作为基底材料,并在其表面修饰Zn、In、Cu、Sn四种不同的金属元素完成气敏材料的制备。XRD、SEM、TEM的表征结果表明我们合成的WO3具有良好的结晶性,属于斜方晶系,形貌呈现不规则片状,且Zn、In、Cu、Sn等元素均匀分布在WO3表面。随后,借助Excel里的雷达图绘制工具,绘制每种烟用香精香料基于气敏响应值的雷达指纹图谱。结果表明,雷达指纹图谱只能实现对第一组和第四组标样及其伪品的完全区分,无法实现对第二组和第三组标样及其伪品的有效区分。此外,本文还借助SPSS里的因子分析模块利用主成分分析法对气敏响应值进行处理,结果表明主成分分析法可以实现对四组烟用香精香料标样及其伪品的分类。其次,本文借助人工神经网络、支持向量机、随机森林三种机器学习算法分析各个组别的识别准确率,并根据各个算法的特性对模型进行进一步的优化。对于人工神经网络算法,其对各个组别样品的识别准确率相差较大,对第一、第三组的识别准确率可以达到100%,而对第二、第四组的识别准确率分别为82.2%和48.9%。对模型进行优化并得到各个组别的最佳隐含层节点数的取值和最佳数据维数的取值后,模型定量化计算的结果表明,隐含层节点数的优化对模型的识别准确率的提升有限,而数据维数的优化可以有效提升模型的识别准确率,第二组的识别准确率由82.2%提升至84.6%,第四组的识别准确率由48.9%提升至91%。就支持向量机算法而言,其对四个组别样品的识别准确率都达到了92%以上,且对第一组和第三组的识别准确率达到了100%。对模型进行优化并得到各个组别的最佳惩罚系数的取值和最佳数据维数的取值后,模型定量化计算的结果表明,这两种参数的优化可以对第二组的识别准确率有些许的提升,却大大降低了第四组的识别准确率。对于随机森林算法而言,四个组别样品的识别准确率都达到了92%以上,且对第一、第四组样品的识别准确率达到了100%。对模型进行优化并得到各个组别的最佳决策树数目后,模型定量化计算的结果表明,决策树数目的优化对模型的识别准确率的提升有限。本文通过将电子鼻技术分别和主成分分析法及机器学习算法结合起来,实现了对四组烟用香精香料标样及其伪品的分类,对烟用香精香料的质量评价工作有借鉴意义。