现代测量系统中,传感器的工作性能直接影响整个测控系统的性能。由于石英音叉温度传感器是数字频率输出传感器,外部的温度变化容易引起其输出频率的变化,其具有良好的抗干扰性能,长期稳定性好和灵敏度高及优良的精度,因此被广泛的应用在高精度测量领域中。由于石英音叉温度传感器在制造过程中存在结构和电极布局误差,使温度频率特性的输出在整个测温范围内具有非线性。解决传感器非线性的方法主要是采用最小二乘多项式拟合方法,或者利用查表插值方法,但是前者需要较长的计算时间,后者虽然速度较快,但存在插值节点误差。针对上述问题,在本论文中,采用小波神经网络的方法对此特性进行校正。首先介绍了小波神经网络和BP神经网络的算法和训练过程,在Matlab中编制相应的程序,采用相同的温度频率数据样本对两种网络进行训练,通过实例比较出两种网络的优劣性,选取更适合校正石英音叉温度传感器的神经网络方法,通过比较,我们发现小波神经网络具有更好的收敛性和精确度,最后我们通过小波神经网络方法校正石英音叉温度传感器的温度频率特性。先将实验数据进行小波变换,去除频率信号中的噪音信号,得到的去噪信号作为新的实验数据,在Matlab中编制相应的程序。应用小波神经网络对得到的新数据进行仿真训练,误差曲线接近设定的目标误差,得到的石英音叉温度传感器的温度频率特性基本呈线性关系。并和常规的非线性校正方法进行比较,实验结果表明采用小波神经网络方法训练精确度更高。最后随机测量八组数据验证实验模型,实验输出值与测量值相差不大,数据的温度频率之间是呈线性关系的,实验结果得到验证。