光纤光栅是近年来发展极为迅速的光纤无源器件，已经成为传感技术的主流方向之一，其中对温度和应力传感是最为主要和直接的应用。由于光栅对于温度和应力都是敏感的，当它用于传感测量时，很难分辨出温度和应力所分别引起的被测量的变化，目前已经提出的解决方案中大部分需要多个解调光源，不仅增加了成本，而且给光纤光栅传感器的实际应用带来不便，因此有效解决光纤光栅的交叉敏感性问题显得尤为必要，人工神经网络能够通过自我学习提供一种正确的“算法”，对光纤光栅传感器的输出数据进行二次处理和补偿，实现光纤光栅传感器对温度和应力的区分测量。　　 本文以光纤光栅为研究对象，对光纤光栅的结构和传感原理进行了深入分析，提出了解决光栅交叉敏感性问题的具体方法。使用BP和径向基网络算法对光纤光栅传感器的压力实验数据进行处理，主要内容包括BP和径向基网络原理介绍、函数选取、网络搭建、仿真实验。　　 本文主要介绍了光纤光栅温度和应力传感原理，从理论出发叙述了应变和温度影响所产生的交叉敏感性问题，针对现有解决方案的不足，提出了采用神经网络算法对该问题的解决。　　 本文采用两种神经网络算法，分别是BP和径向基算法，其中BP神经网络采用Levenberg-Marquardt算法应用于光纤光栅传感器，实现了压力补偿，仿真结果证明在BP网络得到最优解的条件下，可有效的实现应力补偿的功能，由于BP算法可以使网络权值收敛到一个最终解，但它并不能保证所求为误差平面的全局最优解，当不能得到全局最优解时造成的后果就是补偿精度的下降，因此径向基网络采用了广义径向基结构针对温度进行补偿，仿真结果证明径向基神经网络可以有效的对光纤光栅传感器实验数据进行温度补偿的功能。