本文依托国家863计划项目“空间数据挖掘的神经网络技术研究”（2007AA12Z228），系统地研究了模型误差补偿有关理论和方法，以及模型误差补偿技术在公路工程中的应用。主要研究成果如下：　　 （1）数据处理中建立的函数模型通常是对实际问题的近似描述。一般情况下，所建立的数学模型往往与客观现实不完全一致，必然会产生模型误差。本文在讨论模型误差的基础上，论述了基于回归残差平方和的模型误差检验方法；研究了利用线性假设检验法进行参数回归模型的模型误差检验及参数显著性检验。　　 （2）详细论述了线性假设检验法、回归拟合残差和观测值误差关系及异常点探测的基本理论，并详细推导了方差非齐的相关公式。针对观测数据中粗差检验和定位的难点，本文创新了一种多维粗差检验及定位方法：将均值漂移模型和线性假定检验法相结合，利用奇异点集进行粗差检验及定位。尽管该法存在将极少正常点错判为粗差点的“淹没”现象，但能将全部粗差点检验出来并准确定位，有效地克服粗差点对回归的影响。　　 （3）常规模型误差补偿方法有附加系统参数方法、附加系统权方法、最小二乘配置方法和半参数方法。本文系统研究了常规模型误差补偿理论与估计方法，并重点研究了模型误差补偿半参数方法中正则矩阵R的选取。首次提出了在补偿最小二乘准则下，正则矩阵R满足一定条件时可以是任意矩阵的观点，及研究了基于正则矩阵并顾及预测点半参数补偿模型估计，包括参数的解与精度评定等问题。　　 （4）在分析常用模型误差补偿方法的基础上，针对常用补偿方法的不足，结合神经网络具有能较好地解决不确定性、严重非线性问题的优点，本文又创新了一种模型误差补偿方法：“基于回归残差的神经网络模型误差补偿方法”。该方法既克服了单纯神经网络模型的“黑箱性”，使得模型具有物理意义，又提高了模型的精度。与此同时，本文还对原始参数回归模型对模型误差补偿效果的影响进行了研究。由于在3维数据空间内可较为直观地观察到回归模型的趋势，本文对数据空间降维方法也进行了研究，并提出了用偏最小二乘回归进行降维的思路。　　 （5）模型误差补偿技术在公路工程中的应用。经验公式法是高速公路建设中，根据实测资料预测路基沉降量的常用方法。经验公式法主要有：指数曲线法、双曲线法、抛物线法、三点法和沉降速率法等。经分析经验公式法存在模型误差，本文将基于回归残差的神经网络模型误差补偿技术与解决公路工程实际问题结合起来，对常用的经验路基沉降预测模型进行补偿。通过实例进行的计算分析表明，基于回归残差的神经网络模型误差补偿方法效果良好。