轮廓误差是在机床加工曲线及曲面时一定会产生的,严重影响着工件的加工质量。轮廓误差的预测和补偿是提高CNC机床轮廓性能以实现更高零件加工精度的一项至关重要的技术。本文基于数控机床加工过程中的历史数据,借助于深度学习和强化学习算法,提出了一种基于进给系统响应模型的轮廓误差离线补偿方法,这是一种在加工指令上进行修调的算法。离线补偿算法的一个必要条件是获得进给系统的仿真模型。本课题基于机床的加工数据,参考位置和实际加工位置（工作台位置）,建立了基于非线性自回归长短期记忆网络（NAR-LSTM）的轮廓误差的预测模型。模型对输入指令数据和工作台输出位置之间的映射进行了仿真,基本达到补偿算法对模型的精度要求。在直接求解插补精度补偿值的过程中,由于前一周期补偿值的变化会影响到后续周期补偿值的求解,补偿值的数量庞大也导致直接求解非常困难,所以将问题转化为求解补偿值中间参数。根据深度强化学习算法与补偿值寻优算法结构的契合性和快捷迅速的优势,以深度Q网络技术结合进给系统响应模型,提出了一种基于最优化寻找策略的DQN-CVC算法。本课题对该算法进行了细节上的优化,算法通过循环迭代的训练,输入定义的初始补偿参数,可以快速寻找到最优的补偿参数。针对不同的加工曲线,该算法均可求解对应补偿参数实现补偿。下一个要解决的问题是补偿值在数控系统加工过程中的应用。通过对补偿数据的S-G平滑处理,基于线性插值的数据量压缩,和数控系统内部接口的开发设计,实现了其在数控机床加工过程中的补偿。为了验证所提出的方法,进行了一组实验以证明轮廓误差建模和预补偿方法的可行性。