随着交通运输业的快速发展，车辆超限超载现象愈发严重，这严重影响了公路桥梁的寿命，尤其对跨江、跨海大桥等大跨度桥梁的安全使用带来了巨大危害，而车辆动态称重技术是目前国内外有效治理车辆超限超载现象的主要手段。目前，称重精度差仍是制约车辆动态称重系统发展的主要因素，本文主要针对现有称重系统存在的问题以及称重精度的影响因素进行分析，为提高动态称重系统精度进行相关研究，取得了较为理想的效果，论文主要工作如下：　　首先，根据车辆动态称重系统的基本组成与工作流程进行多传感器动态称重系统测试平台的布局设计，并对影响动态称重精度的车辆相关因素和非相关因素进行详细分析，为动态称重系统的多传感器布置及称重算法研究等后续内容构建了一个试验平台，并提供相关理论基础。　　其次，建立了基于正弦波路面激励的车辆动荷载模型，并对最大动荷载系数的影响因素进行了详细分析。基于车辆动荷载模型，以多变量条件下的多传感器平均相对误差作为判断指标，提出一种新的多传感器布置方案。结果表明，在最佳传感器布置间距区间下，由车辆动荷载引起的称重平均相对误差随传感器数量的增加而降低，从而表明采用多传感器进行动态称重可有效提高称重精度。　　再次，将奇异谱分析法用于动态称重轴重信号的降噪处理中，提出一种新的重构阶次选择方法，简化了重构阶次选择的判断准则，提高了数据处理效率并取得良好的降噪平滑效果。通过分析环境温度及车速对称重结果的影响，提出了一种车重计算的改进方法，对轴重信号面积进行补偿，结果表明，可有效降低单传感器测量的称重误差。　　最后，将BP和Elman神经网络用于多传感器检测的数据融合中，利用其强大的非线性函数逼近能力预测车辆实际重量。基于神经网络原理，进行网络样本设计与模型参数选择，创建网络模型。以网络输出的均方误差、相对误差、训练时间作为网络性能评价指标，对比分析了BP和Elman网络的性能，而Elman网络具有更好的稳定性及更快的训练速度，故最终采用Elman神经网络法进行多传感器数据融合。结果表明，Elman神经网络法较传统的称重平均值法的称重误差降低了53.6％，因此，基于神经网络的多传感器数据融合算法可有效提高称重精度。