随着机加设备自动化、智能化生产的需要,数控机床已成工业发展和技术进步的中坚力量。在加工生产的高质量要求下,数控机床加工能力直接体现国家的现代制造水平。在众多误差源中,热效应误差是主要影响机床加工精度的因素之一,热效应误差可占总误差的45%-65%,数控机床主轴热误差数字模型及补偿技术能有效地提高数控机床加工精度。主轴的热误差测量、敏感温度点筛选及构建热误差预测模型是进行热误差补偿的前提。本文以DMG DMU65五轴数控机床为研究对象,对数控机床主轴热误差补偿过程中的热误差测量、敏感温度测点组合选取及热误差的预测模型进行研究。基于前者的研究成果,设计并实施数控机床主轴热误差测量工作。首先,根据被测对象结构和工作环境,选用温度传感器、位移传感器及对应数据采集器等;随后,依据温度测点选择策略及考虑划分温度区域的情况下,安装布置温度传感器及测量主轴热效应误差的位移传感器;最后,根据不同加工条件设计不同工况的测量实验。考虑不同热源区域对机床主轴的影响,在划分热源区域的前提下,提出了多理论结合的敏感温度点组合选取方法。将机床分为五个热源区域,基于相关性分析和K均值聚类分析对温度分量进行筛选工作,解决K值难以确定的问题。对筛选出的各热源区域关键温度分量组合再次使用该方法进行筛选。采用BP神经网络主轴热误差预测模型,对不同K值下的温度分量组合和热误差间的内在联系进行映射,将平均绝对误差（MAE）、均方误差（MSE）以及均方根误差（RMSE）作为模型的评估标准,筛选出基于数据的主轴敏感温度测点组合,成功将16个温度测点减少至5个。基于敏感温度点组合结果,对数控机床主轴热误差建模进行研究。考虑温度分量与热误差间的非线性关系,采用具有良好的非线性映射能力及无局部极值问题的径向基函数神经网络建立数控机床主轴热误差模型。通过引入压缩因子的粒子群算法,优化径向基函数神经网络的结构参数,提高模型预测性能。基于不同工况下的实验数据对热误差模型进行验证,结果表明,基于优化PSO-RBF神经网络建立的热误差预测模型具有较强的预测能力及较强的鲁棒性。