首先，充分考虑温漂序列数据前后之间的强相关性，在对光纤法布里-珀罗可调滤波器（FFP-TF）的温漂进行建模的过程中引入时间权重的概念，为每个样本赋予不同的时间属性。然后，采用支持向量机（SVM）作为弱学习器对温漂样本进行建模，使用AdaBoost框架对多个SVM模型进行集成学习。在集成预测过程中，不仅每个模型的预测性能会影响样本的权重分配，而且样本的时间属性也会影响样本权重的更新。实验结果表明：在2 ℃的窄范围缓慢变温环境中，传统AdaBoost-SVM算法的最大温漂补偿误差为10.83 pm，而基于时间权重的AdaBoost-SVM的最大温漂补偿误差降低到7.04 pm；在15 ℃的温度范围下，传统AdaBoost-SVM算法的最大误差达到11.57 pm，基于时间权重的AdaBoost-SVM的最大误差仅为4.05 pm。与传统硬件方法相比，所提出的方法不需要额外硬件，为可调谐滤波器的温漂补偿提供了一种新的思路。

针对光纤法布里-珀罗可调谐滤波器（FFP-TF）在环境温度变化时输出波长持续漂移，引起光纤布拉格光栅（FBG）解调不稳定的现象，提出一种基于改进AdaBoost算法的温度稳定FBG解调方法。采用AdaBoost集成学习构建可调谐滤波器的温漂模型，在迭代过程中提出基于误差率差值的弱学习器权重更新方法，以增强弱学习器权重与其预测误差之间的关联，提高多个弱学习器的集成效率。实验结果表明，传统AdaBoost补偿后可调谐滤波器在温度变化环境中的最大波长漂移为14.03 pm，而基于权重更新的AdaBoost算法补偿后最大波长漂移为4.75 pm。相比传统的基于标准具和气室的温漂补偿方法，所提补偿方法不需要添加额外元件，补偿精度高。

光纤法布里-珀罗可调滤波器(FFP-TF)是组成光纤布拉格光栅(FBG)传感器解调系统的核心器件之一,其稳定性对解调精度的提高至关重要,而温度漂移是影响其稳定性的关键因素之一。针对实际应用中遇到的FFP-TF在变温环境下产生的透射波长漂移问题,提出了一种基于集成移动窗口的温度漂移补偿方法。利用最小二乘支持向量机对透射波长和温度之间的非线性关系进行了建模,并在训练样本中建立了移动窗口。此外,为了挖掘更多的训练样本过程信息,提出了采用神经网络对各个移动窗口的补偿结果进行加权集成的方法。实验结果表明,当未引入集成移动窗口时,解调值的最大测量误差为±13.5 pm。在引入集成移动窗口后,解调值的最大测量误差为±0.82 pm,即所提方法有效提高了光纤光栅传感中可调滤波器解调的温度稳定性。

光纤陀螺(FOG)输出易受环境温度的影响，发生漂移导致光纤陀螺测量精度降低。采用传统的BP 神经网络容易陷入局部极小值，导致网络训练失败。为了优化BP 神经网络，本文提出了一种粒子群(PSO)优化BP 神经网络与小波降噪相结合的光纤陀螺温度漂移补偿方法。首先分析了光纤陀螺温度漂移产生的原因；然后在不同温度下对光纤陀螺进行测试，最后采用该方法建立了光纤陀螺温度漂移模型并根据模型对光纤陀螺进行补偿，结果表明采用该方法补偿后光纤陀螺在不同温度下的输出标准差降低了60.19%，与传统的BP 神经网络相比补偿效果显著提高。

利用ZnS∶Cu电致发光粉末与环氧树脂胶混合，设计制作了一种梯形电极结构的电压传感单元，实现了电致发光电压传感器输出信号的温度漂移补偿。电致发光电压传感信号通过2根塑料光纤传输到2个硅光电探测器，并选择其开路电压作为传感器的输出信号。在同一外加电压条件下，梯形电极区域内的电场分布是不均匀的，因而不同场点的发光亮度不同。通过测量梯形电极区域内2个不同发光点的发光强度随外加电压的变化，并对两路输出电压传感信号进行数据拟合与计算，可获知被测电压的有效值，并可实现对输出信号温度漂移的补偿。在-40～60 ℃范围内，采用上述温度漂移补偿方法测量了有效值在0.7~1.5 kV范围内的工频电压，传感器输出信号的非线性误差低于1.6%，验证了该温度漂移补偿方法的有效性。