黑体空腔钢水连续测温系统以其成本低、高精度的优势,取代了消耗型快速热电偶间断式测量钢水温度。其内外两层套管的结构虽然能够有效地延长测温管寿命,但同时却带来了很大的热惯性,导致测温过程存在一定的滞后现象,产生动态误差,进而影响实际生产。本论文以黑体空腔钢水连续测温传感器为研究对象,分析其测温过程中的动态特性以及影响其动态特性的各项因素。由于传感器结构、材料及传感器插入钢水深度等的不确定性、在线辨识困难等原因,得知黑体空腔钢水连续测温传感器无法建立相对准确的基于机理辨识的动态补偿模型,其每根管子的时间常数各不相同,同时随温度变化,所以其动态特性的时间常数为变时间常数,且动态特性是呈明显非线性。神经网络特别适合处理需同时地考虑多种因素以及条件不精确等信息的问题,进而建立了基于BP神经网络的动态补偿模型,近似传感器温升曲线的温度一导数拟合曲线近似线性来确定特征参数。但由于该规律并不适合于所有温升数据,导致补偿结果不稳定,因此在此基础上提出基于神经网络逆系统的动态补偿模型,该方法可以利用神经网络逼近传感器的逆系统,将其补偿成具有线性传递关系的系统,选择适当的训练样本及参数后对模型的训练、测试,选取训练结果好的训练权值建立基于神经网络的预测模型,并通过三层的滤波建立最终的黑体空腔连续测温传感器动态补偿模型。通过对基于BP神经网络的动态补偿模型补偿结果统计分析得知,误差第次达到±7℃时所用的补偿时间在90s内的数据平均可占总数据的80%,但补偿结果精度较不稳定；而基于神经网络逆系统的动态补偿模型补偿结果误差第一次达到±7℃时所用的补偿时间在90s内的数据占总数据的80%以上。