光电角位移传感器是一种集光、机、电为一体的数字测角装置，具有精度高、体积小、重量轻、使用可靠、易于维护和抗干扰性强等优点，在现代的航天、工业、医学、生物工程等各个领域的精密测量与控制设备中得到了广泛应用。　　 随着先进制造技术的发展，对角位移传感器的精度指标提出了越来越高的要求。如何提高传感器的精度、找出合理有效的误差修正方法一直是角位移传感器研制过程中亟待解决的技术难点之一。传统的修正方法多是针对光栅信号的三差(非正交误差、不等幅误差和直流电平漂移误差)或是借助辅助信息与先验知识进行建模，但角位移传感器的误差成因复杂、分布多呈非线性，并且受技术条件所限，难以用一个准确的数学模型来描述其误差组成，这就使得这些方法对精度地改善作用有一定的限度。因此寻找一种非线性逼近能力好、建模方式灵活的补偿方法成为了解决问题的首选途径。　　 径向基函数(RBF)神经网络以其诸多的优点，如坚实的理论基础、快速的学习算法和优良的全局性能，而日益受到重视。本论文的研究旨在将RBF网络智能算法与光电角位移器的误差修正技术相结合，为高精度角位移传感器的误差修正提供一种快速有效的解决方法。　　 文中首先介绍了神经网络的特点以及基本概念，分析了不同网络模型的工作特点与适用场合，根据角位移传感器的误差特点提出了利用RBF网络进行误差修正的方法。　　 介绍了RBF网络的模型结构与工作原理，提出了正交最小二乘建模方法，详细介绍了模型中主要参数的选择与调整依据。为了优化其泛化性能，提出了正则化的正交最小二乘法建模方法。　　 为了进一步提高网络的泛化性能，提出利用粒子群优选方法对建模参数进行优化，使得网络有良好的全局逼近性能。　　 分析了网络数据预处理的必要性。根据数据的特征，分别采用归一化、标准化、滑动平均法对建模数据进行预处理，并验证了上述方法对建模精度的影响。根据角位移传感器的数据特点对预处理方法进行了总结。　　 详细介绍了将径向基函数网络误差修币法应用至角位移传感器系统中的工作过程。根据工程应用的需要，对方法进行了适度优化，在保证补偿精度的同时，将运算时间也控制在合理的工作范围内。实验表明：本论文提出的基于径向基函数网络的误差修正法补偿精度好，方法合理可行；将算法建模与检测平台相结合，操作灵活、效果直观，具有通用性；智能方法的研究应用对高精度角位移传感器的研制有重要意义。