压阻式压力传感器是目前压力测量中应用最广泛的传感器，这种传感器具有频率响应高、精度高，稳定性好、体积小、易于集成化等特点，它在生物，医疗，航天，海洋工程，原子能等各种尖端科技和工业领域等都有着广泛的应用。由于半导体材料对温度具有高度的敏感性，因此，压阻式压力传感器的输出不可避免地受到温度的影响，而产生温度漂移。温度漂移问题极大地影响了传感器的稳定性和精度。为提高压阻式压力传感器的性能，目前神经网络被广泛用于传感器的温度补偿，其中BP（Back Propagation）神经网络的应用最为广泛，RBF（Radial Basis Function）神经网络和小波神经网络的应用也较为普遍。BP神经网络、RBF神经网络和小波神经网络各有其优缺点，BP神经网络具有较好的函数逼近特性，但存在收敛速度慢的缺点。RBF神经网络具有更好的函数拟合特性，学习速率比BP网络快、不存在局部极小问题，但它对训练样本却存在着高度的依赖性，极易出现数据病态现象。与BP神经网络和RBF神经网络相比，小波神经网络的特点是：收敛精度高和收敛速度快，但易陷入局部极小。本论文针对BP神经网络、RBF神经网络和小波神经网络在压阻式压力传感器温度补偿中存在的缺点进行了改进，具体如下：1.在分析BP神经网络和主成分分析原理的基础上，针对BP神经网络在压阻式压力传感器温度补偿中存在收敛速度慢的缺陷，提出了一个基于主成分分析的BP神经网络温度补偿模型。然后，对该模型用于压阻式压力传感器温度漂移的补偿进行了仿真。2.在分析RBF神经网络和因子分析原理的基础上，针对RBF神经网络存在极易出现数据病态现象的缺陷，提出了一个基于因子分析的RBF神经网温度补偿模型。然后，对该模型用于压阻式压力传感器温度漂移的补偿进行了仿真。3.在分析小波神经网络和遗传算法原理的基础上，针对小波神经网络易陷入局部极小的缺陷，提出了一个基于遗传算法的小波神经网络温度补偿模型。然后，对该模型用于压阻式压力传感器温度漂移的补偿进行了仿真。结果表明：提出的补偿模型有效抑制了温度对压阻式压力传感器输出的影响，提高了压阻式压力传感器的稳定性和准确性。基于主成分分析的BP神经网络温度补偿模型利用主成分分析提取数据的主要信息，同时剔除数据噪声误差，使网络平滑拟合，克服了BP神经网络在压阻式压力传感器温度补偿中收敛速度慢的缺陷；基于因子分析的RBF神经网络温度补偿模型利用因子分析实现对原始信息的筛选和降维，减少了网络的输入，简化了网络结构，大大提高了网络的学习速率与泛化能力，充分发挥RBF神经网络自适应能力，有效避免了RBF神经网络在压阻式压力传感器温度补偿中易出现数据病态的现象；基于遗传算法的小波神经网络温度补偿模型结合遗传算法的全局搜索能力和小波神经网络简单快速的函数逼近能力，克服了小波神经网络在压阻式压力传感器温度补偿中易陷入局部极小的缺点。