机床热误差是影响数控机床加工精度的主要因素之一,主轴作为数控机床的核心部件,是机床主要热源之一,其热变形直接决定了金属的去除率和零件的加工精度。因此,对机床主轴热误差进行精确数学建模是提高加工精度的关键。为更精确地对机床主轴热误差建模,本研究提出基于热图像的数控机床主轴热误差鲁棒建模技术,引入热图像以及卷积神经网络进行建模,使建模研究具有智能化以及普适性。本文以沈阳机床CAK3665车床及汉川机床XK714D铣床的主轴为研究对象,基于主轴热图像和卷积神经网络建立主轴热误差预测模块化模型,实现主轴热误差的高精度、高鲁棒性预测,为提升机床加工精度提供重要的技术支持。本文的主要研究内容安排如下:（1）卷积神经网络理论说明。详细阐述了卷积神经网络各基础模块的计算公式,将数控机床主轴前轴承热图像在卷积神经网络内的运行计算流程进行了可视化展示与说明。（2）实验数据获取。搭建了实验平台,利用红外热像仪拍摄了主轴前轴承热图像,并同时基于位移传感器获取了主轴热变形数据。为验证模型鲁棒性,采集了机床主轴不同转速下的主轴热误差数据。（3）数据处理和建模。对热图像进行了批量预处理,包括数字化、中值去噪、翻转和随机裁剪等以实现数据增强和扩充,最后以主轴热误差数据为标签,制作并分割了数据集。搭建深度学习平台,提出了模块化模型,与基础模型以及传统的BP神经网络模型作对比。（4）模型预测精度对比分析。对比了模块化模型、基础模型与传统的BP神经网络模型三者之间的热误差预测精度,验证了模块化模型的高精度性以及高鲁棒性。结果证实,基于热图像的数控机床主轴热误差模型可有效预测主轴热误差。经实验验证,在升温状态下,模型对车床以及铣床的主轴热误差预测精度均达到80%以上,降温状态下,预测精度均达到84%以上。改变主轴转速后,模型的预测精度在升温状态下均达到80%以上,在降温状态下均达到82.2%以上。验证结果证实了基于热图像的主轴热误差预测模型具有高精度及高鲁棒性。经切削实验验证,车床补偿切削后的工件尺寸误差平均减小约45%,铣床补偿切削后的工件尺寸误差平均减小约54%。切削实验结果证实了模型的实际可行性。