惯性导航系统实际工作时，环境温度变化会导致IMU的惯性器件加速度计的工作温度变化，其零偏和标度因子因此也会发生变化，最终影响惯性导航系统的初始对准和导航精度。通过两级温度控制，在水平和垂直位置对加速度计进行定点升温试验，利用最小二乘法建立起了加速度计的温度补偿模型。在自然升温和降温过程中，进行加速度计的温度补偿，验证了模型的准确性和重复性。

MEMS陀螺的零偏随温度呈非线性变化,同时含有较大的随机噪声。针对传统的多项式模型难以精确表达零偏随温度变化的问题,提出了一种基于灰色模型和RBF神经网络的MEMS陀螺温度补偿方法：首先用灰色模型对数据进行预处理,以减小原始数据的噪声;然后用降噪后的样本数据对RBF神经网络进行训练。在相同的训练次数下训练误差可减小一个数量级。验证试验结果表明,采用该模型补偿后的陀螺零偏误差较传统的多项式模型减小一个数量级,较未经预处理的RBF神经网络减小2/3。