嗅觉作为生物进化史上最古老的感官功能,与人类的记忆、学习和情绪等密切相关。大脑皮层是最高级的神经中枢,能够评估来自各器官的刺激。研究大脑对不同气味的识别能力在嗅觉功能障碍的评估与诊断、抑郁症等精神类疾病患者的情绪调控等方面具有重要的意义。近年来基于脑电（Electroencephalogram,EEG）信号的嗅觉研究逐渐受到各国学者的关注。现有的基于EEG信号的气味种类识别研究往往只采用单一特征,缺乏对特征的比较;并且大多研究针对多通道脑电信号进行分析,这给数据采集和后续处理带来了许多不便,难以满足实际应用场景中实时便携化的要求。针对以上问题,本文重点研究了不同脑电特征和公共通道选择方法在气味种类识别中的应用,主要工作如下:（1）设计了不同种类气味刺激诱发的EEG试验,并采集了嗅觉诱发的EEG信号数据,构建了嗅觉脑电数据集。（2）提出将小波能量矩特征用于不同气味诱发EEG信号的识别,并与不同的特征进行了对比。基于构建的EEG数据集,分别选用频域特征中的功率谱密度,时频域特征中的小波能量矩特征,以及非线性动力学特征的近似熵、样本熵和小波熵。并利用支持向量机、k近邻和随机森林分类器识别不同气味诱发的EEG信号。结果表明,选用的频域和时频域特征的分类结果和稳定性优于非线性动力学特征。其中,小波能量矩特征分类准确率最高（91.07%）,表明小波能量矩特征能够有效地识别嗅觉EEG信号。进一步对五种特征在不同频带下的分类结果进行比较,发现Gamma频带下的分类准确率最高,Theta频带分类准确率最低。表明Gamma频带对嗅觉EEG信号识别的贡献率最大,这也间接说明Gamma频带可能与嗅觉刺激的大脑活动密切相关。（3）提出了基于Relief F-Pearson的EEG公共通道选择方法,并在气味种类识别中进行了验证。与基于Relief F算法的传统通道选择方法对比,本文所提的公共通道选择方法可以在不损失或轻微损失分类准确率的条件下有效地减少EEG通道数量,并且所获得的公共通道主要位于额叶、顶叶和颞叶位置,与嗅觉脑电神经生理学区域相一致。研究结果表明,Relief F-Pearson方法可以有效地减少EEG冗余通道数量,对提高EEG设备的实时性和便携性具有现实意义。