当今世界的科学研究大多数都是以数据的研究为基础的，通过对数据的分析与研究，可以揭示被研究物体的属性与特征。因此，人们利用各种方法获取试验数据。为了正确的揭示事物的特性，需利用各种手段对所得试验数据进行分析，建立函数模型。但是一般情况下，所建立的数学模型往往与客观现实不完全一致。一般获取试验数据是利用仪器进行的，因而不可避免会产生误差。测量与被测量的量之间的数学关系经常又是不确定的，所建立的数学模型与客观实际之间存在着某种差异，即存在模型误差。　　 本文主要基于模型误差的基本理论，对测量数据处理中模型误差的诊断方法与模型误差的补偿方法进行了研究，主要内容包括：　　 (1)介绍了模型误差的概念与高斯-马尔柯夫模型，详细地分析了模型误差对平差结果的影响，总结了模型误差的诊断方法以及目前常用的模型误差补偿方法。　　 (2)介绍了神经网络以及神经网络BP算法的思路，算法的缺陷与改进：介绍了神经网络H-BP算法的模型结构、算法的理论与计算步骤，并在H-BP算法的基础上创新的提出了基于神经网络的二次模型误差补偿方法。　　 (3)利用确定函数关系模拟出三维、四维、五维、六维数据，通过对各维数据的计算比较，对不同方法的补偿效果进行分析。结果显示利用神经网络H-BP算法与二次补偿方法对模型误差进行补偿，补偿精度高于文中提到的其余补偿方法，显示其良好的补偿效果。　　 (4)以华东地区CC大坝与江苏及其周边地区的地震活动特征情况为例，结合工程实例进行计算与分析，其结果说明了利用神经网络BP算法与模型误差二次补偿方法达到良好的补偿方法，其补偿精度高于传统的补偿方法，验证了两种方法的可行性与有效性，研究结果具有较大的应用价值。