人工仿生系统是模拟生物感官系统进行智能运作的电子设备，而人工嗅觉系统（电子鼻）与人工味觉系统（电子舌）是其中重要的两类智能设备。电子鼻和电子舌系统结构十分相似，通常包括传感阵列、信号预处理单元与模式识别单元三个部分。对于综合利用电子鼻与电子舌信息进行智能检测的系统而言，面临着噪声混杂与两种设备响应信号特点各异等问题。因此，需要分别对其特征提取方法进行研究，进而为利用嗅觉和味觉信息综合感知打下基础。本文从信号特征出发，采取并行研究策略，对电子鼻和电子舌的特征提取与优化方法进行研究，分别针对电子鼻气体传感器漂移问题和大振幅脉冲伏安法（Large Amplitude Pulse Voltammetry,LAPV）电子舌响应信号维度灾难问题建立合适的特征提取数学模型，从而提高系统的识别性能。具体研究内容如下：
　　①基于特征提取的电子鼻漂移抑制方法研究
　　针对漂移引起的电子鼻响应数据分布差异问题，提出了一种域自适应子空间学习方法。该方法能最大化特征标签间的依赖性和最小化特征冗余，并通过域自适应公共子空间学习来解决电子鼻漂移问题。其中希尔伯特-施密特独立性准则用于刻画源域特征值与标签之间的关系，最大化方差准则被用于保护样本的数据结构信息。在实验部分，使用了电子鼻漂移数据集用于检测方法的性能，并对提出方法所学子空间中的数据分布差异情况进行了评估。实验结果表明，所提方法能有效减小数据分布差异，与其他先进的特征提取方法相比时，在不同的漂移情景下均能获得最高的平均识别准确率。由此可见，所提方法不仅能有效解决漂移引起的数据分布问题，亦能保留样本中与分类最相关的特征，从而实现漂移抑制并改善电子鼻的识别性能。
　　②基于特征提取的电子舌信号增强方法研究
　　由于LAPV型电子舌响应信号维度高且存在大量共模分量（高相关信号），使得机器学习模型难于获取有效特征，进而导致准确率下降。为此，本研究提出了一套适用于LAPV电子舌的模式识别框架。该框架在特征提取层面提出特征特异性增强（Feature Specificity Enhancement,FSE）方法进行特征优化与降维；而模式识别部分则选择了核极限学习机（Kernel Extreme Learning Machine,KELM）以提高框架的识别速度和灵活性。实验部分引入自制电子舌采集的数据集和公开的电子舌数据集用于框架方法效果的评估。评估结果表明，提出的FSE方法在使用KELM分类时在两个数据集上均获得了最高准确率和最佳计算效率。此外，通过对所提出的FSE方法和KELM进行参数灵敏度分析，指出了该模式识别框架的算法参数设置范围。
　　本文通过并行研究策略，分别对电子鼻与电子舌传感器响应信号特征提取与优化方法进行研究，完成了人工嗅觉-味觉系统信号处理方法的构建，为最终实现人工嗅觉-味觉信息融合奠定了基础。