本文主要建立了离子聚合物金属复合材料（IPMC）传感器的数学模型，并对IPMC传感器进行了非线性补偿。
　　IPMC是一种新型智能材料，作为执行器应用已经取得了一定的成果，但是对其传感器特性的研究还比较少。由于IPMC既具有致动特性，又具有传感特性，已有学者在研究其材料特性时，建立了IPMC执行器的物理模型，以及其逆模型，即IPMC传感器的物理模型。但是物理模型参数过多，且测量不便，并不适合实际应用。因此，本文旨在通过实验测量获得IPMC传感器的输入、输出数据，并根据实验数据建立其经验模型，同时根据模型特性对IPMC传感器进行非线性补偿。
　　为了获得IPMC传感器的实验数据，本文首先设计了一套实验平台。分别定义条状IPMC顶端位移和感应电压为IPMC传感器的输入和输出信号。IPMC由基于步进电机的驱动装置带动实现往复摆动，由激光位移传感器对其顶端位移进行测量，感应电压信号经过信号调理电路放大之后，与位移信号一起经NI数据采集平台采集。所得数据用于后续理论分析。
　　论文首先介绍了IPMC传感器中存在的与其他智能材料类似的迟滞特性，以及常见的几种迟滞模型，并选择通过神经网络建立IPMC传感器的模型。由于神经网络不能直接逼近迟滞非线性的多值映射，因此提出引入一个迟滞算子的方法以提升输入空间维数，实现将多值映射转换为一一映射，再由神经网络对模型进行辨识。为了实现对IPMC传感器的非线性补偿，还需要建立其逆模型，采用同样的思想，通过构造一个迟滞逆算子建立IPMC传感器基于神经网络的逆模型。将逆模型串联置于IPMC传感器之前，以对其进行前馈补偿。最后，实验结果验证了IPMC传感器模型，逆模型与前馈补偿的有效性。
　　由于神经网络模型为非参模型，因此本文又分别介绍了ARX、ARMAX、NARX、NARMAX等参数模型，并建立了IPMC传感器的ARX和ARMAX线性模型，以及三种不同形式的NARX非线性模型。并对各种模型的复杂度与精度等特性进行了比较。参数模型更适合实际应用，但是需要根据实际要求确定模型参数，以获得最优效果。