热误差是影响数控机床加工精度的最重要的一个误差源，而减少热误差对数控机床加工精度的提高有着极其重要的作用。本文以数控机床为研究对象，针对数控机床温度场与热定位误差的特点，对数控机床现有的温度测点优化与热误差建模方法作了改进研究。本文提出了一种关于数控机床温度测点优化和热定位误差建模的新方法，该方法具有良好的鲁棒性，且能为实现热定位误差的实时补偿提供重要的依据。　　首先，基于粗糙集理论对数控机床的温度测点组合进行优化约简，并得到一些可行的温度测点组合，这样可以大大的减少温度变量搜索和建模的时间;然后，基于灰色关联理论，系统的分析数控机床的热定位误差和温度数据之间的相似度关系，排列出关联度序列，进而筛选出温度敏感点;最后，综合分析温度测点组合和温度敏感点，可以筛选出一个最优的温度测点组合。经过优化约简后，不仅可以将热误差模型中的温度变量从24个减少到7个，而且还很好的消除了温度测点间的耦合问题。　　为了减少不可预测的噪音及其他因素的影响，本文采用RBF和BP神经网络两种建模方法分别对数控机床的热定位误差进行建模和分析，通过对比后可知RBF神经网络的预测精度和性能参数都要优于传统的BP神经网络。之后，针对数控机床各测点温度和Z轴的热定位误差进行试验检测和数据采集，将采集的实验数据进行分析来验证该方法的有效性;结果表明，建立的热定位误差模型具有良好鲁棒性的预测精度。