Como un sensor de ángulo importante de la plataforma opto-electrónica, la precisión de salida del giroscopio juega un papel vital en la estabilización y precisión de seguimiento de todo el sistema. Se sabe que los filtros de ancho de banda fijo comúnmente utilizados, los modelos de redes neuronales simples o los modelos lineales no pueden compensar bien el error del giroscopio, por lo que no pueden satisfacer adecuadamente las necesidades de ingeniería. En este documento, se propone un novedoso modelo híbrido ARIMA-Elman. Debido a que puede combinar completamente la sólida capacidad de aproximación lineal del modelo ARIMA y la excelente capacidad de compensación no lineal de una red neuronal, el modelo propuesto es adecuado para manejar el error del giroscopio, especialmente para su componente aleatorio no estacionario. Luego, para resolver el problema de que los parámetros del modelo ARIMA y los pesos iniciales de la red neuronal Elman son difíciles de determinar, se utiliza inicialmente un algoritmo diferencial para la selección de parámetros. En comparación con otros algoritmos de optimización comúnmente utilizados (por ejemplo, el método de identificación de mínimos cuadrados tradicional y el método de algoritmo genético), el algoritmo diferencial de inteligencia puede superar las deficiencias de la convergencia prematura y tiene una velocidad y precisión de optimización más altas. Además, el error de deriva se obtiene basado en la técnica de separación y reconstrucción de lift-wavelet, y, para debilitar la aleatoriedad de la secuencia de datos, se ha añadido una operación de ashing y la prueba de Jarque-Bear al proceso de manejo. En este estudio, se recopilan datos de giroscopio reales y los resultados experimentales muestran que el método propuesto tiene una mayor precisión de compensación y una convergencia de red más rápida, en comparación con otros métodos comúnmente utilizados de compensación de errores. Finalmente, el método híbrido se utiliza para compensar el error del giroscopio recopilado en otros estados. Los resultados de las pruebas ilustran que el algoritmo propuesto puede mejorar efectivamente la precisión de la compensación de errores y tiene un buen rendimiento de generalización.