低温天平是风洞试验中的测力传感器,直接影响试验的精度。由于低温风洞的运行时间长,试验温度范围宽,试验中天平体易产生温度梯度,进而影响天平测量精准度。其中温度梯度对天平轴向力元件的影响最大且最难以修正,现有的方法对温度梯度补偿的效果不理想,因此,本文采用类比仿真分析并基于机器学习的方法进行低温天平轴向力测量元件温度梯度误差软件补偿方法的研究。主要研究内容如下:（1）进行了温度梯度对天平轴向力元件测量的影响研究。根据天平结构形式和测量原理,建立了轴向力元件输出应变的数学模型表达式,并从理论上分析了温度梯度对轴向力测量输出的影响,结果表明温度梯度误差输出值随温度梯度增大近似呈指数函数增大。（2）进行了温度梯度对天平轴向力测量元件应变输出影响的有限元仿真研究。将天平三维模型导入有限元分析软件中进行天平温度梯度对轴向力元件热应变影响的仿真分析;然后建立了简化的风洞天平模型,介绍了天平流热固耦合仿真的流程。（3）进行了温度传感器布置策略优化研究,实现了天平关键测温点辨识:根据流热固耦合仿真方法得到的温度数据和不同温度梯度下的输出误差,利用改进后的温度变量分组优化方法和减法聚类优化的模糊C均值聚类方法对天平温度传感器的关键测温点进行辨识,从而确定温度传感器的布置策略。研究结果最终将温度传感器个数从24个减少到了4个,优化了布置策略,在保证精度的前提下降低了模型复杂程度。（4）进行了基于不同算法的天平轴向力元件温度梯度误差补偿方法研究:基于优化后的温度变量数据和温度梯度误差输出数据,利用BP神经网络、动态模糊神经网络和深度置信网络建立低温天平的温度梯度误差补偿模型,并对所建模型的预测精度好坏进行了分析讨论;然后在改变天平模型条件后对补偿方法进行仿真验证,检验该补偿方法的泛化能力。结果表明,基于减法聚类优化FCM算法结合深度置信网络的模型补偿效果最优,能够将误差变化范围从±22.33μVV/减小到±2.06μVV/,且所提出的方法具有良好的泛化能力。