摘要：采用正常玉米样品40个，发霉玉米样品41个，建立了电子鼻对霉变与正常样品的识别模型，优化了10个传感器的组合，并对32个未知样品进行判别，其中霉变样品15个，正常样品17个。结果表明传感器优化前后主成分分数分别为86.34％和97.54％，优化后提高了11.2％。采用Euclid、Malahanobis、Correla—tion以及DFA四种算法对检验集未知样品进行判定，优化前总判别率分别为Euclid：68.75％，Malahanobis：75％，Correlation：84.38％，DFA：81.25％；优化后总判别率分别为Euclid：68.75％，Malahanobis：75％，Correla-tion：90.63％，DFA：87.5％。优化后Correlation和DFA法的判别率比优化前提高，其中Correlation法达90.63％。在对霉变和正常玉米判别时，霉变样品的判别率要远高于正常样品的判别率。