摘要：為了無損快速監(jiān)測荔枝成熟階段，該文提出了一種基于電子鼻技術(shù)的果園荔枝成熟階段監(jiān)測方法，采用PEN3電子鼻獲取掛果約25d到果實成熟過程中6個成熟階段荔枝樣本的仿生嗅覺信息并同步獲取了各成熟階段荔枝的3項物理特征（果實直徑、果實質(zhì)量與果實可溶性固形物含量） 。根據(jù)不同成熟階段荔枝物理特征變化可知，荔枝果實直徑與果實質(zhì)量2項物理指標(biāo)在掛果約32d～39d，以及53d～60d增長較快，可溶性固形物含量在掛果約32d前無法測量，53d～60d階段增長速度較慢。提取各樣本電子鼻采樣數(shù)據(jù)75s時刻的各傳感器響應(yīng)值作為特征值后，采用載荷分析（loadings）進(jìn)行傳感器陣列優(yōu)化，優(yōu)選了傳感器R2、R4、R6、R7、R8、R9 和R10的響應(yīng)數(shù)據(jù)進(jìn)行后續(xù)分析。將優(yōu)化后的傳感器響應(yīng)數(shù)據(jù)進(jìn)行歸一化處理。采用線性判別分析（linear discriminant analysis，LDA）進(jìn)一步提取特征信息，降低數(shù)據(jù)中包含的冗余信息。LDA 對荔枝成熟階段的分類識別效果不佳。為進(jìn)一步探究電子鼻監(jiān)測果園荔枝成熟階段的可行性，采用模糊 C 均值聚類分析（fuzzy C means clustering，F(xiàn)CM） 、k zui近鄰函數(shù)分析（k nearest neighbor，KNN）和概率神經(jīng)網(wǎng)絡(luò)（probabilistic neural network，PNN）進(jìn)行模式識別。研究結(jié)果表明，F(xiàn)CM 對果園荔枝成熟階段識別的正確率為 89.17%。采用KNN與PNN建立識別模型后，KNN與PNN識別模型對訓(xùn)練集的回判正確率均為100%，對測試集的識別率均96.67%，具有較好的分類識別效果。試驗證明了采用電子鼻進(jìn)行果園荔枝成熟度監(jiān)測的可行性，為果園水果品質(zhì)的實時監(jiān)測提供參考。