目前使用的传感器常存在因交叉灵敏度而导致的稳定性差、测量精度低的缺陷,例如压差/压力传感器/变送器、煤矿用瓦斯传感器等都存在对环境温度、湿度的交叉灵敏度,表现为传感器的输出值不仅仅取决于标称的目标参量——如压差/压力、瓦斯浓度等,而且取决于非目标参量,如环境温度、湿度、电磁干扰等。当目标参量恒定而非目标参量——环境因素变化时,其输出值也随之变化。为增强目标参量在非目标参量变化条件下的稳定性,将多传感器数据融合技术和智能化技术相结合,即采用多个传感器同时监测目标参量和非目标参量,其输出数据经计算机融合处理,从而消除环境因素变化的影响,提高目标传感器的性能。由于神经网络良好的非线性逼近性能及自学习、自适应性,目前已广泛应用于各个领域。近年来,将神经网络引入传感器,建立智能传感器系统在一定程度上改善了传感器的性能。鉴于神经网络的结构及训练方法有多种,本文以提高传感器稳定性、可靠性、实用性为目的,以软件优势来改善硬件缺陷为主要原则,主要研究BP神经网络和RBF神经网络在智能传感器系统中的应用。研究表明采用本文设计的传感器补偿系统及其结合的神经网络算法能有效改善传感器的输出性能。另外,虚拟仪器是在最少量的硬件模块支持下,用软件实现传统仪器的数据采集、存储、分析、显示。它不强调仪器物理上的现实形式,打破了生产厂家定义仪器机箱的约束,用显示在CRT上的软面板代替原来的仪器面板,用键盘、鼠标对测量的参数及进程进行控制。虚拟仪器给用户一个充分发挥自己的才能、想象力的空间。将虚拟仪器技术应用于瓦斯检测系统,可在软件的优势下,无需增加硬件的基础上方便、快捷、准确地实现矿井中瓦斯浓度的检测。本文设计的基于LabVIEw的瓦斯传感器补偿系统结合了神经网络算法,可以方便、快捷、直观地监测矿井中瓦斯浓度的状况。