挥发性有机物(VOC)对人体健康的危害日益加重。为有效地解决电阻式气体传感器因交叉敏感导致对气体选择性普遍较差的问题,实现仅通过一种气敏材料结合机器学习算法对VOC类型进行预测分类的目的,提出了一种基于主成分分析(PCA)和支持向量机(SVM)优化WO₃气敏薄膜对VOC选择性的方法。采用化学浴沉积法制备WO₃气敏薄膜,在250~400℃工作温度下对不同浓度的六种VOC气体进行测试得到多维响应矩阵;通过PCA降低特征量之间的相关性,实现原始数据的降维,进行定性识别;再将优化后的数据代入SVM模型中对VOC类型进行预测,结果达到100%的分类准确率。相比于传统SVM模型,PCA-SVM在达到相同准确率的同时运行耗时减少40%,更适合处理具有多维特征量的数据样本,基于PCA-SVM的方法可以有效且快速地优化WO₃气敏薄膜对VOC选择性。