光纤布拉格光栅（Fiber Bragg Grating,FBG）传感器具有高灵敏度、高准确性、不易受电磁干扰、化学性能稳定及小巧轻便的优点,主要用于温度、应变、压力、振动等物理量的监测。随着FBG传感器的应用范围逐步扩大,对其测量精度和稳定性的要求也日益提高。本文从FBG传感器解调的降噪、区域分割、峰值检测和标定四个环节入手,通过研究各环节的信号处理算法来提升传感系统的性能。本文对噪声来源、噪声类别和传统降噪算法进行了分析,重点研究了粉红噪声对传感信号的影响。提出了一种完备集成经验模态分解和Savitzky-Golay滤波相结合的降噪算法,在保留FBG信号细节特征的前提下有效地实现了信号的降噪处理。仿真验证了宽峰和窄峰FBG信号分别在信噪比为20 d B、25 d B、30 d B和35d B情况下的降噪性能,对噪声引起的最大62 pm的波长误差降噪后减小到2 pm。由于FBG准分布式传感采用波分复用,解调时需要对FBG反射谱进行分割处理以便精确传感。分割后子信号的完整性直接影响了后续峰值检测的准确性。为此,本文提出了一种基于墨西哥草帽变换的区域分割方法,既不丢失谱峰信息又获得了尽可能长的子信号长度。为了实现FBG畸变谱的精确解调,本文从FBG反射谱畸变的原因出发,建立了FBG畸变谱模型。分析FBG反射谱非对称畸变、展宽畸变的光谱特征,及传统峰值检测算法的优缺点,提出了一种畸变谱修正的分辨率增强峰值检测算法。进行了非对称畸变谱和展宽畸变谱的仿真分析和实验验证,结果表明,本文所提算法解调的FBG波长与温度的线性拟合优度可达0.9999,获得了较高精度和稳定性。为了弥补现场应用难以采用实验室计量标定方法修正标定参数的不足,本文提出了基于在线顺序超限学习机（Online Sequential Extreme Learning Machine,OS-ELM）的FBG传感器动态标定方法,实现了标定参数的在线补偿,提高了传感系统的稳定性。通过与多项式拟合、反向传播（Back Propagation,BP）神经网络、径向基（Radial Basis Function,RBF）神经网络等标定方法进行对比,结果表明,本文方法不仅具有更好的泛化性能,而且具有更快的学习速度。另外,本文方法当新样本到来时动态更新标定网络而不是重新训练网络,减少了繁琐的计算,提高了测量速度。