基于自行研制的凝析天然气流量计样机和大量的实验数据，本文应用时间序列分析方法对气液两相流的差压波动信号进行处理，分析时序模型参数随气液分相流量、气液两相流流型变化的规律，应用神经网络来映射它们之间的复杂关系，为流量计量算法的开发进行了有益的尝试。 本文的主要工作和结论如下： (1)提出了一种新的信号处理方法，即应用小波变换模极大值滤波方法对差压测量信号去噪，然后对滤波结果进行经验模式分解获得经验模式函数(IMF)，这种信号处理方法能够使具有非平稳特性的差压信号满足时间序列分析的建模条件。 (2)对IMF建立自回归(AR)模型，详细分析了AR模型的各个参数与气液两相流流型以及分相流量之间的关系；AR模型的参数可以有效地区分气液两相流流型，并与气液分相流量的变化密切相关，为应用神经网络映射模型参数与分相流量之间的非线性关系奠定了基础。 (3)以气液分相流量作为神经网络的输出，将IMF的AR模型参数进行多种组合并分别作为输入，采用遗传算法(GA)优化BP神经网络的初始权值，比较了在不同参数组合下GA-BP网络与BP网络的性能；实验结果表明：在同样的输入条件下，GA-BP网络的精度高于BP网络；对于最佳的输入参数组合，在90％的置信概率下，当液相流量大于0.75m3/h时，GA-BP网络预报气液分相流量的相对误差分别低于10％和15％。