加速度计是惯性测量和导航系统的主要惯性元件之一。随着微电子加工技术向惯性技术的渗透，硅微加速度计已逐渐崭露头角并受到广泛的关注。作为一种新型惯性传感器，它在体积、重量、成本、功耗、可靠性和寿命等方面都具有同传统加速度计无可比拟的优势。本文以美国AD公司ADXL05单片集成硅微加速度计为例，介绍了静电力反馈式加速度传感器的结构设计和工作原理，对其重要性能参数进行了测试和分析，并利用实验数据建立了该加速度计传感器的静态数学模型。 同占据主导地位的机电惯性仪表相比，精度低是硅微惯性传感器的主要缺陷。为尽量满足测控系统对传感器精度的要求，应当在传感器之外采取适当的补偿和修正措施，克服非线性及环境因素对测量的影响。利用人工神经网络所具有的非线性逼近特性和自适应能力、学习能力，本文根据不同特点及不同应用条件，采用了BP神经网络和函数链神经网络两种方法对硅微加速度计的非线性误差进行了校正。仿真结果表明，同其它的线性化措施相比，人工神经网络使用灵活、算法简便、易于实现；并且可以在线性化的同时，跟踪补偿环境改变引起的传感器特性的变化。 最后，基于将硅微惯性敏感元件构成惯性敏感器群的思想，本文应用了简单而有效的多传感器数据融合算法，提高了综合输出的精度，得出了比单一惯性传感器更可靠、更准确的测量结果；并在理论上证明算法的最小方差性；计算机上的仿真结果也从实际应用上进一步说明了融合算法的有效性。