汽車衡作為衡器的重要分支，具有稱重范圍廣、測量速度快、便于控制計算等優點，廣泛應用于倉儲貿易、交通運輸、工礦企業等部門。現有汽車衡受到偏載誤差與線性度誤差的影響，稱重結果準確度有待提高;同時，汽車衡稱重數據獲取不易，稱重系統處于小樣本狀態。針對這些缺點，在國家自然科學基金項目“大型衡器偏載誤差機理與多傳感器稱重融合方法研究”的支持下，本文開展汽車衡稱重誤差補償方法研究:利用汽車衡先驗知識，構建一種基于偏導數約束與Lagrange乘子法神經網絡(PD-LMNN)優化的稱重融合方法，提高小樣本下神經網絡的泛化能力，從而減少汽車衡的稱重誤差;建立以單片機MSP430F449為信息處理核心的汽車衡實驗平臺，通過實驗平臺測試，驗證了這種方法的有效性。

　　本文主要進行以下工作:首先，介紹了汽車衡基本情況及發展趨勢、汽車衡的構成及工作原理，指出了現有汽車衡稱重誤差補償的不足，闡述本文工作的重點;其次，構建了BP神經網絡的汽車衡稱重誤差補償模型，通過傳統的利用數據樣本訓練算法(DINN)，對該模型進行訓練，指出了這種方法在小樣本情況下的不足;通過研究汽車衡輸入-輸出函數偏導數，并以此作為先驗知識，構建有約束條件的神經網絡，利用Lagrange乘子法構造增廣拉格朗日函數作為神經網絡的目標函數，彌補了傳統神經網絡因訓練樣本不足導致的泛化能力差的問題，通過兩種算法對比仿真實驗，驗證了PD-LMNN算法的優越性;再次，以單片機MSP430F449為信息處理核心、24bit模/數轉換器CS5532為稱重數據采集單元，搭建了最大量程為250kg、分度值為0.2kg的汽車衡稱重實驗平臺，給出了硬件電路與軟件設計流程圖;最后，根據非自動秤通用檢定規程，對采用PD-LMNN方法的汽車衡稱重實驗平臺進行了偏載誤差、重復性誤差、示值誤差和鑒別力進行現場測試，給出了測試結果。
　　測試表明，在實驗室條件下，該汽車衡稱重實驗平臺的偏載誤差、重復性誤差、示值誤差和鑒別力指標均達到了國家標準《JJG555-1996非自動秤通用檢定規程》Ⅲ級秤要求。