本论文就人工神经网络算法及其在水利测量技术中的应用进行了研究。由于现有的人工神经网络算法都是用于复杂对象的建模、预测和控制，所以，算法的时间和空间复杂度较大，且学习速度慢、精度低、收敛性差，无法直接在水利测量技术中使用。为此，本论文就现有的人工神经网络算法进行了分析和研究，提出了经过改进的人工神经网络算法，并将这些算法应用到水利测量技术中，以提高水利测量系统的精度和智能化水平。主要研究的内容有： ① 针对多层前馈网络的误差反传算法存在的收敛速度慢，且易陷入局部极小的缺点，提出了采用微粒群算法(PSO)训练多层前馈网络权值的方法。 ② 针对CMAC神经网络存在的泛化精度有限，且学习收敛性易受HASH映射影响的缺点，提出了一种单输入／单输出的小脑模型神经网络(SISO-CMAC)和学习算法。另外，对如何用SISO-CMAC实现对二维和多维非线性函数逼近也进行了研究。 ③ 论文研究了用神经网络算法，对传感器的非线性静态特性和响应滞后的动态特性所引起的测量误差进行补偿的新方法。通过在传感器的输出串接一个由神经网络构成的补偿器，改善传感器的静态和动态特性，提高测量结果的精度。 ④ 论文对用神经网络技术实现光栅传感器高精度细分，提高光栅传感器测量精度进行了研究。另外，讨论了一种多项式预测滤波与中值滤波相结合的方法，采用该方法可以有效地减小动态莫尔条纹信号中的噪声干扰。 ⑤ 论文将基于神经网络算法补偿传感器测量误差的方法，应用到水利测量技术中。