随钻测斜仪是现代定向钻井工程中不可缺少的测量设备,高温、高压等复杂的工作环境导致了传感器输出的非线性,直接影响测斜仪的工作性能。针对这一问题,本文进行了一系列的研究。为提高随钻测斜仪的测量精度和工作稳定性,创建了用于传感器补偿的Elman神经网络模型。采用LM算法进行训练,经过10步的迭代误差精度达到10?7 ,提高了4个数量级,大大提高了随钻测斜仪的测量精度和稳定性,但补偿效果不稳定;为取得稳定的补偿效果,将自适应遗传算法作为Elman神经网络的权阈值的学习算法,误差精度比Elman神经网络补偿精度提高2个数量级,补偿效果稳定;为进一步提高测斜仪的测量精度和工作稳定性,将蚁群算法和神经网络相融合,采用信息素挥发因子ρ和信息素更新策略自动调整自适应蚁群算法优化Elman神经网络的权阈值,补偿效果优于Elman神经网络和遗传Elman网络,补偿精度达10-8,补偿效果良好,基本满足了现场的需求。将补偿效果比较好的蚁群Elman网络首先在VC平台上编码实现,通过对VC平台上的算法进行基本数据类型修改、存储空间分配等一系列的修改,将其成功移植到DM642平台上,接着对移植后的代码进行程序代码优化、基于硬件资源的优化、基于编译器的优化,优化后程序的运行结果表明:本文采用的优化算法效果比较明显,程序运行速度明显提高,传感器补偿精度也有了进一步的提高,满足了DSP实时性的要求和现场的需要。