基于线性系统理论对测试系统建立的模型不能完全的反映传感器的动态非线性特性,存在较大的模型误差,使得一些动态误差修正方法具有很大的局限性。当前发展迅速的神经网络理论,具有高度的非线性函数逼近能力。本文针对爆炸过程冲击波测试及高G值加速度测试的特点,研究了基于神经网络的以传感器为主要因素的测试系统的非线性建模方法,对比各神经网络结构的优劣,以NARX(nonlinear autoregressive network with exogenous inputs)神经网络建立了压力传感器及高G值加速度传感器的相对精度较高非线性模型。并通过大量对实测数据的仿真试验,分析了测试系统建模中影响神经网络辨识精度的各关键因素,总结出了适合压力传感器和高G值加速度传感器建模的网络模型结构,及相应的训练算法。同时,研究了基于神经网络的测试系统非线性补偿修正方法,即建立传感器的补偿修正环节的数学模型,对测试系统的误差进行修正,提高数据的准确性。