车载光电精密测量仪器的测量基准会受到车体传递振动的影响,从而影响仪器的测量精度。为了解决光电精密测量仪器的测量基准变化的问题,可以通过采集车载发动机和发电机工作产生的振动数据,将振动数据补偿到光电精密测量仪器的测量结果中,以获得高精度的测量结果。在采集车载平台振动信号的过程中,常常会受到一些采集噪声的干扰,因此得到的振动信号不能真实的呈现车载平台实际振动情况。对采集的振动信号进行降噪处理,获得车载平台下发动机和发电机的实际振动信息,以补偿光电精密测量仪器的测量数据。这个降噪过程对保证光电精密测量仪器测量精度具有重要意义。常用的信号降噪算法中,小波阈值降噪算法应用较为广泛。该算法有四个重要的影响因素,本文重点讨论了阈值函数和阈值选取准则。近年来,阈值神经网络降噪算法作为自适应性的阈值选取算法,在小波阈值降噪领域得到了广泛的应用。本文基于小波阈值神经网络算法,构造新的阈值函数作为小波阈值神经网络的激励函数。通过监督学习和非监督学习方法选择出合适的阈值,使降噪效果达到最佳。为了验证算法的有效性,设计小波阈值降噪算法流程,对模型的高频段和低频段信号分别处理。使用正弦信号模型和扫频信号模型,比较了本文提出的算法和其他阈值降噪算法的降噪效果。为了验证小波阈值神经网络算法的实际应用效果,我们搭建了车载振动试验平台。该平台由加速度传感器、数据采集器、计算机软件采集系统和车载平台组成。对采集到的车载光电精密测量仪器振动信号其进行功率谱分析,得到信号的频率分布。再利用改进的小波阈值降噪算法,对采集的车载光电精密测量仪器振动信号进行降噪处理。以SNR和RMSE为指标,分析了本文算法和其他各降噪算法的降噪效果。结果表明该降噪方法与其他小波阈值神经网络相比,在去除振动信号的低频趋势项噪声和全频段随机噪声方面具有一定优越性。