红外辐射在大气中的传输是一个复杂问题，对应大气透过率的计算是红外测量系统总体设计中的一个重要环节。本文通过对标准黑体进行定点测温，研究基于神经网络的大气透过率建模方法，以提高测温精度。主要研究工作包括：1、大气透过率的主要影响因素分析。大气中气体分子的吸收和悬浮粒子(气溶胶)的散射是造成红外辐射衰减的主要因素。在不同的气象条件下，随着测试点和目标距离的增加，这些因素的影响更加复杂，红外辐射的衰减更强。2、基于BP网络的大气透过率静态模型构建。在不同距离测量标准黑体温度，随着距离增加，大气、环境等影响因素增强，测量温度逐步降低，测量误差增大。通过BP网络自适应学习测试数据中隐含的红外辐射传输衰减规律，在不同距离估计大气透过率；同时建立目标温度的修正模型，提高测温精度。3、基于神经网络的大气透过率动态模型构建。仅选用测试距离和测量温度作为网络输入，不能很好地反映大气透过率随着距离变化的动态关系。本文在网络输入层引入距离延迟单元，将当前测试距离和距离的变化量作为网络输入，对应测试温度和温度变化量作为网络输出，进而计算大气透过率，所建模型能够反映大气透过率的动态变化规律。采用收敛更快的RBF网络对扩展后的样本进行学习，仿真结果表明，所建动态模型可进一步减小测温误差，提高精度。