引言
在食品系统中监测食品质量、安全和感官属性仍然是食品科学与工程的核心挑战。在加工、存储、运输、零售和消费过程中，食品产品持续经历生化、微生物和物理化学转化，从而改变其 VOC 图谱。这些源自食品的挥发性指纹提供了关于新鲜度、腐败、脂质氧化、微生物代谢、风味形成和热反应途径的具有化学意义信息（Feng et al., 2024）。香气化合物的产生、释放、保留和感知强烈受挥发性分子与食品成分之间相互作用的支配，包括非共价相互作用、共价结合、基质效应和质量传递过程，使香气演变成为食品转化的依赖基质的指标（Ni et al., 2026）。对于动物源食品，膳食输入等上游因素可进一步影响动物的生理和代谢状态，在随后的存储和加工前引入额外的生物变异性（Hassan et al., 2023）。与视觉或纯物理信号相比，香气相关的 VOC 可以在明显的外部缺陷出现之前反映内部质量变化，从而为食品质量监测提供早期且具有化学特异性的传感维度（Ramadan et al., 2025; Wei et al., 2026）。因此，嗅觉信息日益被视为下一代食品质量监测和智能食品系统管理的关键但未被充分利用的传感维度（Zhan et al., 2026）。
传统的食品质量评估仍然严重依赖实验室分析仪器、人工感官评估或视觉和物理化学指标。虽然这些方法提供了有价值的信息，但它们通常耗时、具有破坏性、劳动密集、成本高或不适合持续的原位监测（Zhang, 2026）。近年来，机器嗅觉技术，包括电子鼻、气体传感器阵列、比色传感器阵列和仿生传感系统，为食品衍生 VOC 的非破坏性和实时检测提供了新机会（Akimsha et al., 2026; Lu et al., 2022）。通过集成先进的气体敏感材料和交叉反应传感器阵列，嗅觉传感平台可以捕获冷藏存储、热加工、包装、分销和消费者级食品处理过程中的动态香气演变（Li et al., 2024）。这些香气指纹直接编码了微生物腐败、酶促降解、脂质氧化、美拉德反应进程和风味前体转化等内部反应（Ni et al., 2026）。
然而，嗅觉传感在食品系统中的实际部署仍然具有挑战性。真实食品环境的特点是复杂多变的基质、微弱且依赖基质的 VOC 排放、温湿度波动、气流扰动、背景气味干扰、混合气体交叉敏感性、传感器漂移和传感器响应延迟（Girmatsion et al., 2025; Sanislav et al., 2025）。因此，嗅觉传感器输出通常是高维、非线性、动态和受噪声污染的，仅使用传统的信号处理方法难以提取稳健且与决策相关的特征（Hao et al., 2025; Ramadan et al., 2025）。这种挑战在冷链存储中尤为明显，早期的腐败信号通常微弱，并受食品基质、温度、湿度、包装气氛和存储时间的强烈影响（Akimsha et al., 2026）。在热加工过程中也至关重要，此时挥发性化合物随着温度、时间、水分活度、脂质氧化、美拉德反应、斯特雷克降解和食品组成的共同作用而迅速演变，重塑香气图谱（Feng et al., 2024）。
人工智能提供了一种强大的计算途径，将复杂的嗅觉信号转化为可解释的食品状态信息。机器学习和深度学习算法可以执行去噪、特征提取、模式识别、回归预测、领域适应和多模态融合，从而将高维气味指纹映射到食品新鲜度、腐败风险、真实性、风味发展、加工终点和安全状态（Hao et al., 2025; Wei et al., 2026）。近期关于食品工业中基于 AI 的传感解决方案的讨论进一步表明，将低成本、非侵入式传感器与机器学习集成可以提高食品质量监测中的响应准确性、可扩展性、适应性和实时决策能力（Zhan et al., 2026）。对于食品科学家而言，有效的 AI 开发需要高质量数据集、面向食品问题的算法以及产生科学洞察或工业价值的应用的协调构建（Zhang, 2026）。当香气感知、传感器设计和基于 AI 的数据解释集成时，机器嗅觉可以超越被动检测，迈向一个闭环的食品系统传感和决策框架（Chen et al., 2026）。在此框架中，前端嗅觉传感器获取 VOC 信号，AI 模型解释气味模式并推断食品状态，下游决策模块生成可操作的输出，包括保质期预测、腐败警告、冷链管理、过程控制、包装完整性评估、零售质量管理和面向消费者的食品指导（Grassi et al., 2023; Sun et al., 2026）。
近期的综述已经解决了人工智能赋能机器嗅觉的重要但大部分独立的组成部分。Feng et al. (2024) 集中在机器学习支持的食品-VOC 检测和分析，但没有将这一框架从传感器响应扩展到下游食品系统决策。Sanislav et al. (2025) 强调了电子鼻硬件、模式识别和食品质量应用，而 Girmatsion et al. (2025) 专注于机器学习支持的电子鼻和高光谱成像集成。更近期的综述强调了香气 - 成分相互作用（Ni et al., 2026）、气体传感器材料和商业化（Sabu et al., 2026）或集成 AI 的食品传感器（Zhan et al., 2026）。然而，没有哪一个将这些层组织为一个连续的链条，将基质控制的 VOC 演变、传感器响应动态、时间 AI 解释和食品系统生命周期跨度的可操作决策联系起来。
因此，本综述构建了食品系统中人工智能赋能机器嗅觉的集成技术链。它将存储、加工、包装、分销和消费过程中的香气演变与传感原理、材料和阵列、基于 AI 的解释和下游决策联系起来 (图 1)。这种从生命周期到决策的框架旨在支持从实验室食品质量评估向稳健、可解释和可部署的智能食品系统的过渡。
