科学技术的蓬勃发展极大提高了社会的生产力,在这个信息化的时代,科技带来的影响力无处不在,随着工业自动化水平的快速提高,人们对自然界物理参数的测量要求越来越高。压力作为一种常见的物理量,测量的准确性直接影响整个压力检测系统的性能,压力传感器作为检测压力的工具,检测的精度是衡量其性能的关键指标,设计并生产高精度的压力传感器是十分重要的研究课题。声表面波(Surface Acoustic Wave,SAW)是一种沿弹性体表面传播的波,它的发展至今已有100多年的历史,随着科技水平的提高,声表面波技术逐渐走向成熟,各种类型的声表面波器件应运而生。基于SAW技术研制的SAW微力传感器,能够在狭缝、微间隙等特殊环境下进行无源无线通信,同时其制备工艺简单,仪器体积小,生产成本较低,在现代压力检测领域有很好的应用前景。作为一种高精度的智能化设备,传感器在使用时会受到外界条件的影响而出现测量误差,本文以SAW微力传感器作为研究对象,针对其温度误差进行补偿方法的研究。首先,本文围绕SAW微力传感器,从材料的压电性能、叉指换能器设计理论、传感器工作原理三个方面对其进行分析,重点研究温度对传感器各结构的作用机制,主要有压电材料、悬臂梁、谐振器和振荡电路等。通过以上分析可知,温度是SAW微力传感器测量误差的主要来源,为了保证高精度的使用性能,对传感器进行温度补偿是十分必要的。其次,在传统硬件温度补偿方法的基础上,本文设计了一套硬件电路温度补偿的系统,其组成包括SAW振荡器、温度传感器、外部计数器以及主控制器。推导温度变化与温度引起的振荡频率偏移之间的数学关系,结合多传感器数据融合技术实现传感器的温度补偿。通过理论演绎和实验验证,该方法可以有效减小温度对SAW微力传感器的影响。最后,针对上述温度补偿电路存在相对误差较大的问题,本文提出了两种温度补偿的神经网络模型:基于改进模拟退火算法的BP神经网络模型和基于因子分析的RBF神经网络模型,通过软件算法的方式对传感器的输出进行优化。对仿真结果比较分析可知,两个模型均可有效提高SAW微力传感器的温度稳定性,温度补偿效果良好。不同点在于,BP神经网络模型可以跳出局部范围而在全局寻找最优解;RBF神经网络模型能够实现训练样本的分类处理,神经网络的学习速率大大提高,提高补偿效率。在实际应用中,可以根据不同的需求选择合适的温度补偿模型。