摘 要：為了無損快速監測荔枝成熟階段，該文提出了一種基于電子鼻技術的果園荔枝成熟階段監測方法，采用 PEN3電子鼻獲取掛果約 25 d 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、果實質量與果實可溶性固形物含量） 。根據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量 2 項物理指標在掛果約 32 d ～ 39 d， 以及 53 d ～ 60 d增長較快， 可溶性固形物含量在掛果約32 d 前無法測量， 53 d ～60 d 階段增長速度較慢。 提取各樣本電子鼻采樣數據 75 s 時刻的各傳感器響應值作為特征值后， 采用載荷分析 （loadings）進行傳感器陣列優化，優選了傳感器 R2、R4、R6、R7、R8、R9 和 R10 的響應數據進行后續分析。將優化后的傳感器響應數據進行歸一化處理。采用線性判別分析（linear discriminant analysis，LDA）進一步提取特征信息，降低數據中包含的冗余信息。LDA 對荔枝成熟階段的分類識別效果不佳。為進一步探究電子鼻監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，FCM） 、k 近鄰函數分析（k nearest neighbor，KNN）和概率神經網絡（probabilistic neural network，PNN）進行模式識別。研究結果表明，FCM 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 識別模型對訓練集的回判正確率均為 *，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行果園荔枝成熟度監測的可行性，為果園水果品質的實時監測提供參考。