随着机器嗅觉技术在生产生活中各个领域的广泛应用,包括模式识别、数据挖掘或是深度学习技术,应用在工业、医疗、环境、食品安全等各个方面,并随着学者们对算法研究的进一步深入,对气味信息的数据提取方法越来越成熟,因此对数据集的处理方式也更加趋于精准度更高、时间复杂度更低。本文在机器嗅觉算法对气体气味信息特征处理的基础上,创新性的使用优化算法,建立了空气质量预测模型与葡萄酒挥发性气味评价模型,从而对空气质量预测领域和食品质量评价领域研究提供新的处理思路。首先,在气体预测算法的空气质量预测模型中,使用主成分分析（PCA）的方法对上海市多种空气质量污染物进行成分抽取,选择与空气质量指数（AQI）最为相关的四个气象因子,输入空气质量预测模型中,最终输出空气质量指数的预测结果,算法优化的重点是针对BP神经网络层级之间的权值和阈值这两个参数进行改进提升,最大限度的规避了BP神经网络容易陷入局部最优的问题,同时将预测准确度提高到90.7%。并使用均方误差和平均绝对误差对未优化的BP神经网络与优化之后的模型进行性能评价,并基于两个误差指标进行比对,结果优化过的BP神经网络在两个指标中误差数值都较小,说明该空气预测模型在环境治理方面的科学性和优越性,同时解决了训练精度和迭代效率之间不平衡的问题。而对于气味识别与评价方面,由于食品气味数据信息采集难度较大,本文采用PEN3电子鼻并结合顶空进样法,对葡萄酒数据进行定量定性的采集,并使用MATLAB进行文件解析并构建葡萄酒挥发性气味数据集,将葡萄酒挥发性气体的评价利用香气活性值、香气三值函数值以及香气贡献率三种评价指标来综合评价葡萄酒的香气风味,并在约束条件下求解葡萄酒香气评价模型中的Perato最优解,该模型的建立使用第三代非支配遗传算法（NSGA-III）算法为基础,在此基础上利用偏最小二乘回归（PLS）能够处理多维度高相关性数据的特点,使用PLS中交叉有效性检验的算法步骤为非支配层种群进行筛选提供新的方法,在采集而来的60多种化合物中寻求描述气味的关键化合物,并对应其香气浓度综合评分,绘制葡萄酒挥发性气味的香气轮盘。为了验证PLS-NAGA-III算法的性能,从IGD、HV和pareto最优解的分布以及算法的运行时间等评价指标横向对比了NSGA-III、NSGA-II、ANSGA-III、MOEDA等其他多目标优化算法,可以得出PLS-NSGA-III算法的在保留种群多样性的同时也保持着较好的收敛度。综上所述,PLS-NSGA-III算法模型对葡萄酒挥发性气味评价提供了算法性能较强的方法。