非线性是表征传感器输人端或输出端的校准曲线与相应拟合直线两者之间的吻合程度或偏离程度指标，智能温度传感器能够通过软件进行处理，矫正输人端或输出端的飞行箱系统误差，达到提升测量度的目的。多数电子器件中使用半导体制造工艺，希望使信号的输出端与输人端的信号曲线趋近于线性关系，但实际情况却多不理想非线性关系。而在智能温度传感器系统当中，其前端传感器的输人端或输出端的非线性曲线多么复杂，系统都能够通过反非线性特性进行刻度的特性转换，使得转换后的输人与输出关系，呈现出理想的线性关系。然而，实现智能温度传感器的非线性自校正，可以通过多种方式来实现，其中的办法有:查表法、曲线拟合法、函数链神经网络法。
1.查表法
查表法属于线性插值法，其主要运用原理，是用若干折线逼近非线性特性曲线，折线的数量越多，输出值就会更接近真实值，但相应程序的代码编写一也复杂性。线性插值法的运用，只在非线性特性曲线上取两个折点的相关信息，度很低，因此，可以通过二次插值法对度进行改进。在选定的内，将传感器信号进行拟合，形成抛物线形式，运用二次插值法使得插值点值与其前后三个数值具有相关关系。当抛物线与线性插值相比，接近于实际曲线时，就在程度上提高了度，与线性插值法相比，误差更小，并能减小智能温度传感器系统的存储空间。
2.曲线拟合法
智能温度传感器在实际应用中，一般采用曲线拟合法对传感器的非线性曲线进行拟合，其方程式系数采用二乘法进行取值。曲线拟合法的运用，首先通过静态实验标定好传感器及相应调理电路，从而校准曲线;然后依据反非线性特性，建设曲线的拟合方程;采用二乘法，得出待定系数，从而控制误差值。
3.函数链神经网络法
神经网络自身具有自适应、自组织和自学习能力，同时能够对大范围进行并行处理，因此被广泛应用与众多在智能温度传感器这一中，神经网络的应用关键，是输人端或输出端的非线性映射形式的建立。当智能温度传感器系统的非线性映射能力越强，网络性能就会越好。利用函数链神经网络法，应用到智能温度传感器当中，权值会受到一种学习因子η的影响，η的取值越大，智能温度传感器的收敛速度就会越快，但其相应稳定向一也会降低;当取值偏小时，稳定性能能够，但其收敛速度却会随之降低，因此在具体应用当中，应该主要依据实际应用情况加以具体分析。
