在这项工作中，提出了一种新颖的用于电子鼻（E-nose）漂移补偿和分类的理论框架，称为基于QPSO的域自适应内核极限学习机（QDA-KELM）。 核方法与领域自适应极限学习机（DAELM）相结合，消除了电子鼻中的漂移并提高了分类性能。 群智能算法用于模型参数的优化。 为了评估我们方法的性能，使用了三种类型的通用内核来形成复合内核功能。 此外，将ELM和DAELM与提出的方法进行了比较。 最后，我们还应用了方差分析（ANOVA）来证明我们的结果明显优于对照方法。