近几年环境污染日益严重,CO、SO2等有害气体排放也日益增多,因此传感器对于气体检测的应用需求更加明显。声表面波气体传感器具有高灵敏度、高精度,低功耗便于集成等优点,并且可以实现无线无源化,特别适宜在高温,高压密闭空间等恶劣环境下工作。声表面波(SAW)气体传感器是一种新型的传感器。在实际工作中,依然不可避免的受到外部环境的干扰。其中温度是影响其性能最主要的因素。本文旨在寻找一种高效的SAW气体传感器温度补偿的方法。在综合国内外传感器温度补偿先进技术的基础上,提出一种基于粒子群算法的模糊神经网络进行温度补偿,相比传统的BP神经网络和模糊神经网络的补偿方法,这种基于粒子群算法的模糊神经网络,具有更高的精度和收敛速度。利用粒子群算法全局寻优的特点,对模糊神经网络的性能进行优化,在一定程度上减少甚至抵消SAW气体传感器输出的温漂。论文对相关的技术和理论进行深入的分析和研究,主要包括SAW气体传感器的结构和工作原理、粒子群算法和模糊神经网络;基于粒子群算法的模糊神经网络,构建SAW气体传感器温度补偿模型,并对选取样本对象的相关数据进行仿真实验。将实验结果与模糊神经网络的补偿结果进行对比分析;最后对整个温度补偿系统的硬件和软件部分进行设计,使基于粒子群优化模糊神经网络的补偿系统能够通过DSP实现。