在给出的选项中，我们需要找出错误的说法。让我们逐一分析每个选项：

A: 增加正则化项有助于减少模型过拟合
- 正确。正则化项（如L1或L2正则化）通过在损失函数中增加惩罚项来限制模型的复杂度，从而帮助减少过拟合。

B: 增加正则化项有助于增加模型欠拟合
- 正确。增加正则化项可能会使模型过于简单，导致欠拟合，因为模型可能无法捕捉数据中的复杂模式。

C: 损失值为NAN时，几乎总意味着学习率过大
- 不完全正确。虽然学习率过大是导致损失值为NaN的常见原因，但其他因素如梯度爆炸、数据中存在异常值或初始化问题也可能导致损失值为NaN。因此，这个说法过于绝对。

D: L2正则化准确度高，训练时间长
- 不完全正确。L2正则化的效果取决于具体的任务和数据集，不能普遍断言其会提高准确度或延长训练时间。L2正则化的主要目的是防止过拟合，而不是直接提高准确度。训练时间长短与正则化强度、数据集大小、模型复杂度等多种因素有关。

综合分析，选项C的说法过于绝对化，未考虑其他可能导致损失值为NaN的因素，因此C是错误的说法。