用于伤口感染检测的电子鼻系统，利用不同伤口病原菌代谢产物的种类及其浓度不同，通过识别伤口顶空气体来实现对伤口感染病原菌类型的检测。电子鼻用于伤口感染诊断具有无创、快速、高效、便捷等优点，是一种新型的具有吸引力的诊断方法。本文以伤口感染检测为应用背景，构建了伤口感染检测电子鼻硬件系统并对电子鼻信号的分析处理和模式识别算法展开研究。论文的主要研究内容和贡献包括：①以人体常见的伤口感染病原菌和SD（Sprague-Dawley）雄性大鼠为实验对象，根据病原菌代谢产物和气体传感器敏感特性设计并实现了针对人体伤口感染病原菌检测的电子鼻硬件实验系统。该系统由气体传感器阵列、数据采集系统和流速控制系统几个部分构成。在硬件实验系统的基础上进行了七种人体常见伤口感染病原菌培养液检测和四种感染不同病原菌的大鼠伤口检测的实验。实验结果显示，气体传感器阵列对人体常见七种病原菌培养液顶空气体和四种感染不同病原病菌的大鼠伤口顶空气体都有显著响应，且响应模式不同，为后续进行电子鼻信号分析处理与模式分类提供了基础。②特征提取是电子鼻信号模式分类的关键环节，特征的好坏严重影响后续模式分类的效果。传统的电子鼻信号特征提取方法是提取稳态响应（最大值）作为特征，而没有考虑传感器整条响应曲线上的其它信息。针对最大值特征所含分类信息有限，对伤口感染检测数据分类效果不佳的问题，研究了伤口感染检测电子鼻信号的常见预处理方法和不同的特征提取方法对后续模式识别效果的影响。比较了差分、分数差分、相对差分、对数差分和归一化五种预处理方法对最大值特征的效果，分析了基于原始响应曲线、曲线拟合和变换域等10种动态响应特征对电子鼻模式识别算法准确性的影响，并通过实验证实了基于傅里叶变换和小波变换的特征提取等方法可以极大提高伤口感染检测电子鼻系统的判别能力。③针对伤口感染检测电子鼻模式识别本质上是一个高维、小样本、不等距、非线性可分模式识别系统，传统的基于经验风险最小的分类器应用效果欠佳，论文将基于结构风险最小化的支持向量机应用于伤口感染检测电子鼻的模式识别中，解决了传统基于经验风险最小化的神经网络的过拟合问题。分析了统计学习理论的基本原理，证明了支持向量机在处理高维小样本非线性可分数据方面的优势，探讨了支持向量机模型参数对泛化性能的影响，分别用网格搜索法和遗传算法对分类器参数进行寻优。通过实验表明，相较于神经网络，支持向量机分类器对伤口感染检测电子鼻模式分类不仅在识别率，而且在运行时间方面都具有巨大的优势。④针对支持向量机模型参数以及各个传感器的重要性不同会严重影响分类器识别效果的问题，论文将粒子群优化算法引入到支持向量机模型参数和传感器阵列优化中，提出了一种基于小波变换特征提取和基于粒子群算法的支持向量机模型参数和传感器阵列同步优化相结合的大鼠伤口感染检测数据分类方法。首先提取传感器原始响应的小波近似系数作为特征，通过粒子群优化算法寻找特征的重要性系数和分离器模型参数，用重要性系数对特征进行加权，实现支持向量机模型参数和传感器阵列同步优化的目的。对大鼠伤口检测的分类结果表明，与神经网络分类器和最大值特征相比，该方法在大鼠伤口感染检测电子鼻模式识别中无论是识别率还是运行时间都具有潜在优势。⑤针对大鼠伤口感染检测中存在的实验大鼠本身体味和采样环境气味带来强背景干扰的问题，论文进一步分析了背景干扰对识别效果的影响，提出了基于带参考向量的独立分量分析去除背景干扰算法，并结合人工神经网络，实现伤口感染检测的识别。根据带噪声的独立分量分析模型，将背景干扰信号看作源信号中的一个独立分量，利用独立分量分析对原始响应进行分解，并通过独立分量与参考向量的相关性进行有用信号和干扰的判别，从而去除背景干扰。实验结果表明，该方法有效地实现了强背景干扰的去除，提高伤口感染检测电子鼻系统的判别能力。