首先，智能自动化技术为仪器仪表与测量的相关领域的应用开辟了广阔的前景。运用智能化软硬件，使每台仪器或仪表能随时[accuracy]地分析、处理当前的和以前的数据信息，恰当地从低、中、高不同层次上对测量过程进行抽象，以提高现有测量系统的性能和效率，扩展传统测量系统的功能，如运用神经网络、遗传算法、进化计算、混沌控制等智能技术，使仪器仪表实现高速、高效、多功能、高机动灵活等性能。

其次，也可在分散系统的不同仪器仪表中采用微处理器、微控制器等微型芯片技术，设计模糊控制程序，设置各种测量数据的临界值，运用模糊规则的模糊推理技术，对事物的各种模糊关系进行各种类型的模糊决策。其优势在于不必建立被控对象的数学模型，也不需大量的测试数据，只需根据经验，总结合适的控制规则，应用芯片的离线计算、现场调试，按我们的需要和[accurate度产生[accuracy]的分析和准时的控制动作。

特别是在传感器测量中，智能自动化技术的应用更为广泛。用软件实现信号滤波，如快速傅立叶变换、短时傅立叶变换、小波变换等技术，是简化硬件，提高信噪比，改善传感器动态特性的有效途径，但需要确定传感器的动态数学模型，而且高阶滤波器的实时性较差。运用神经网络技术，可实现高性能的自相关滤波和自适应滤波。充分利用人工神经网络技术强有力的自学习、自适应、自组织能力，联想、记忆功能以及对非线性复杂关系的输入、输出间的黑箱映射特性，无论在适用性和快速实时性等各方面都将大大超过复杂函数式，可充分利用多传感器资源，综合获取更[accuracy]、更可信的结论。其中实时与非实时的、快变与缓变的、模糊和确定性的数据信息，可能相互支持，也可能相互矛盾，此时，对象特征的提取、融合，直至[much]终决策，作出正确的判断，将成为难点。于是神经网络或模糊逻辑将成为[much]值得选用的方法。例如，气体传感阵列用于混合气体识别，在信号处理方法上可采用自组织映射网络和BP网络相结合，[Cutting-edge行分类，再识别组分，将传统方法的全程拟合转化为分段拟合，以降低算法的复杂度，提高识别率。又如，食品味觉信号的检测和识别的难度，曾一度是研究与开发单位的主要障碍所在。如今可利用小波变换进行数据压缩和特征提取，然后将数据输入用遗传算法训练过的模糊神经网络，则大大提高了对简单复合味的识别率。再如，在布匹面料质量的评定，柔性*作手对触觉信号的处理，机器的故障诊断领域，智能自动化技术也都取得了大量的成功实例。