随着科学技术不断地向前迈进,企业对产品拥有更高精密加工的需求正在逐步上涨。在此过程中,高档数控机床作为高端精密制造装备中的重要加工设备,保证数控机床的加工精度对产品的加工质量极其重要。不断探索研究发现,在影响数控机床加工精度的误差源中,热误差是影响其加工精度的主要原因,其中占比可达总误差因素的40%-70%。因此如何降低热误差对数控机床加工精度的影响,获得具有更优加工质量的产品,是数控机床在前进道路上不可避免的问题。在对热误差的研究中,国内外学者在提出的热误差补偿理论中,对热误差的认知也较为清晰,但是由于数控机床温度测点无法统一、传统模型的精度和泛化性低等问题,不能有效地降低热误差的影响。在国家自然科学基金面上项目（51775074）、重庆市重点产业共性关键技术创新专项（cstc2017zdcy-zdyf X0073）的支持下,本文以HBZ26100型超高速凸轮轴磨床为主要研究对象进行研究,主要研究内容如下:1)本文以超高速凸轮轴磨床为研究对象,对超高速凸轮轴磨床的内部结构和内外热源产生情况进行研究分析。建立超高速凸轮轴磨床温度与热误差检测系统,采用滑动平均值滤波法对温度传感器和位移传感器采集的原始数据进行滤波处理,并按照每一时刻温度增量与热误差增量相互映射的形式制作数据集。2)根据混沌演化相空间理论,对温度时间序列在演化混沌相空间时所需参数进行探讨。简要介绍了自相关法、互信息法、CAO方法和关联维数法,最后选用更加实用高效的联合求参法（C-C算法）对相空间演化时的参数（延迟时间和嵌入维数8）)进行同时求取。对温度时间序列的混沌特性进行分析,利用Wolf法对于温度时间序列数据的最大Lyapunov指数进行求取,证明其是否具有混沌特性。并对温度时间序列进行混沌相空间演化。3)建立具有双通道的深度学习热误差预测模型。提出一种基于混沌演化下的深度学习模型对热误差进行预测分析,在模型中通过引入卷积神经网络在空间维度上和门控循环神经元在时间维度上高效处理数据的优点,分别提取温度场数据在不同通道的特征。通过在不同工况、关键温度点缺失的情况下进行实验预测,实验结果表明深度学习热误差预测模型的泛化性和准确性较高。4)借助FANUC 0i系列数控系统中的外部机床坐标原点偏移功能,开发设计了基于STM32的热误差补偿器。利用STM32Cube MX集成开发环境,将建立的深度学习热误差模型移植到STM32单片机上。在超高速凸轮轴磨床上进行补偿试验,验证了模型与补偿器的有效性。