作为数控机床热误差补偿关键技术之一的数控机床热误差补偿建模方法研究得到了国内外学者的广泛重视和深入研究,本论文在对国内外数控机床热误差补偿建模方法分析研究的基础上,重点对神经网络建模方法进行了研究,主要工作内容如下:　　 在对机床热变形进行简要分析的基础上,以大连机床有限责任公司的CL-20A高速数控车床为研究对象获取温度和热位移数据,并用模糊聚类方法对其进行分析找出机床温度变化敏感点。　　 以温度变化敏感点数据为建模依据,用神经网络建模方法进行建模和分析,来获取机床热误差与机床温度敏感点之间的内在联系和规律。建模结果显示,神经网络技术具有很好的建模效果,在建模的有效性和鲁棒性方面具有其他建模方面无法比拟的优势。神经网络建模方法的主要难点是训练参数的调试选择,在建模过程中要对训练参数进行反复调节比对验证,直至预测效果达到最佳。　　 研究表明,从对热误差的预报来看,BP网络可以达到60％左右,与RBF网络的45％左右以及自适应神经网络模糊系统的15％左右相比要好。从建模的速度来看,RBF网络的建模速度最快,BP网络稍逊,自适应神经网络模糊系统时间稍长。比较而言,BP神经网络建模总体效果最好,RBF网络稍逊,自适应神经网络模糊系统效果较差。