神经网络逆测量方法是一种理论严格、应用广泛的测量方法，它主要包含两方面的内容：对传感器的动态补偿和对不直接可测变量的软测量。但是该方法在具体应用的时候存在一些问题，主要是对于一些复杂系统，逆系统中出现的微分阶次较高，对测量噪声较敏感，可能导致动态补偿或软测量的结果不理想。在国家自然科学基金项目（神经网络逆系统测量理论及其应用研究，项目号：60574097）和高等学校博士点基金项目（基于“内含传感器”逆的神经网络软测量方法及其在生化过程中的应用，项目号：20050286029）的共同资助下，本文对神经网络逆测量方法进行了改进的研究，给出了改进的神经网络逆动态补偿方法和改进的神经网络逆软测量方法，在此基础上，论文还把改进前后的神经网络逆测量方法应用到实际的传感器系统和含不直接可测量的复杂非线性系统，并对相关结果进行了分析和比较。本文的主要研究内容和取得的成果如下：　　 1、对基于输入输出方程的神经网络逆动态补偿方法进行了改进，给出了基于状态方程描述的神经网络逆动态补偿方法。针对传感器的内部状态无法获得的情况，提出了一种高增益观测器的设计方法，这种观测器以逆系统的输出作为输入，以原系统的标称模型作为观测器的模型，通过选取适当的增益，使高增益的观测器的状态能渐近收敛于传感器的实际状态，进而使逆系统的输出能渐近逼近原系统的输入，一维和多维的传感器动态补偿仿真实验结果均证实了这一结论。仿真结果还表明，对于复杂系统或多维传感器系统，改进方法的动态补偿效果要好于改进前的基于输入输出方程的神经网络逆动态补偿方法。　　 2、对实际的传感器系统进行了神经网络逆动态补偿的应用研究。将基于输入输出方程的神经网络逆动态补偿方法应用到典型的一维非线性传感器（半导体吸收式光纤温度传感器），取得了较好的效果，验证了方法的正确性和有效性；把基于状态方程的神经网络逆动态补偿方法应用到典型的二维传感器（扁环式二维力学传感器），进行了其主通道的动态补偿和多通道的动态补偿解耦的实验，验证了改进方法能适用于复杂系统和多维系统，并在实际应用中明显地提高动态测量精度。　　 3、对神经网络逆软测量方法进行了改进，给出了改进的“内含传感器”建模算法以及基于改进建模算法的神经网络逆软测量方法。改进的方法在构建“内含传感器”（原系统中以不直接可测变量为输入、以直接可测变量为输出的子系统）的数学模型时，在考虑直接可测的状态变量的基础上，同时考虑直接可测的函数变量（状态变量的函数）作为“内含传感器”的输出，使“内含传感器”更加容易构造成功；改进方法同时对算法步骤也进行了调整，步骤调整后的算法能自动利用较低的导数阶数来构造“内含传感器”，使基于这种算法得到的“内含传感器”逆（神经网络逆软仪表）中导数的阶次也较低，在实际应用时受测量噪声影响较小，软测量精度也较高，提高了方法的实用性。　　 4、对神经网络逆软测量方法进行了应用研究。将改进的神经网络逆软测量方法应用到红霉素发酵过程模型，进行了不直接可测变量的软测量仿真实验，并与改进前的方法进行了对比，验证了改进方法带来的软测量性能的提高。