机器嗅觉已被广泛用于气体的识别与检测。机器嗅觉系统利用气体传感器获取气体数据,经过预处理和特征提取的气体样本被分类算法识别。气体数据的特征提取和识别算法对气体的识别起着重要作用,通常气体样本的稳态响应等特征会被提取出来,如果特征维数过多,还需对特征做降维处理,然后用机器学习算法对这些气体样本的特征进行识别和分类。一些机器学习算法已经在气体识别领域取得了很好的效果,而神经网络模型和传统的机器学习算法相比具有更大的优势。现有的气体识别算法都基于闭集场景,即测试样本的种类都是在训练阶段已知的。由于气体数据难以获取,在训练气体识别算法时训练集只能包含有限类别的气体样本。但是在实际应用中,机器嗅觉系统会接触到多种气体,其中不仅包含已知类气体,还包含未知类气体,这种场景即为开集场景。对于开集场景下的识别任务,传统的机器学习方法（闭集算法）会将未知样本误识为已知类,而开集识别算法则可实现识别已知类的同时拒绝未知类。本文提出开集气体识别,用于解决实际场景下的气体识别问题,主要工作如下:（1）构建了基于多层感知器的基础模型,从原始气体数据的响应曲线中提取出稳态和瞬态特征并进行特征降维,在训练集上训练多层感知器,实现了对气体样本的闭集识别。训练后的基础模型被用来提取数据的特征向量,并生成气体样本的特征空间,在特征空间上拟合开集识别算法,实现了对气体样本的开集识别。同时,由于传感器漂移的普遍存在和对气体识别的负面影响,我们在一个漂移数据集上验证了开集识别算法的准确性。（2）鉴于卷积神经网络在特征提取上的良好表现,本文构建了一个基于卷积神经网络的基础模型,该模型直接把降采样后的原始数据作为模型的输入,省去了人工提取气体样本特征的过程。与基于多层感知器的基础模型相比,基于卷积神经网络的模型具备更强的特征提取能力,实现了更高的闭集分类准确度。对于同一种开集识别算法,基于卷积神经网络的模型的开集识别性能明显高于基于多层感知器的模型。实验结果表明,基于类锚聚类损失的开集识别算法结合卷积神经网络模型达到了最佳的开集识别效果。