众所周知对于超精密机床而言，热误差是影响数控机床加工精度的重要因素之一，可达机床加工精度总误差的70%～80%[1]，因此减少热误差对提高数控机床的加工精度至关重要。要想得到精度更高的被加工工件，减少因热误差的影响导致机床的加工精度降低，我们就必须对其进行有效的补偿。近年来，国内外学者取得了一定的进展，但是，原始误差项的识别与处理、误差补偿的精确建模等还存在较大差距。而如何通过对机床的分析选择最佳温度测量点以及如何建立有效的热误差补偿模型并实时应用于对机床的热误差补偿是进行热误差补偿研究时需要解决的两个关键问题。本文结合人工智能四川省重点实验室重点项目（2010RZ002）“开放式智能数控系统的关键技术及其应用研究”；四川长征机床集团2009年国家重大专项“高速龙门五轴加工中心（AC摆角）”（课题号：2009ZX04002-013）这两个课题中“智能热补偿技术”开展研究。本文的主要工作如下：(1)为了更好的建立起热误差模型，本文详细介绍了粗集理论与人工神经网络的相关基本理论知识，详细分析了机床热误差的来源及其影响因素，对热误差的测量方法作了详细的剖析并提出了基于粗集的辨识新方法，特别对热误差源进行了详细地分析并提出了减少热误差的主要方法。(2)针对最佳温度测点的选取，本文分析了常用方法的不足提出了运用粗集理论的新方法来选取最佳的温度测点。(3)针对如何建立有效的数控机床热误差补偿模型，本文建立了基于粗集BP神经网络的误差补偿模型，提出了梯度下降法训练的在线学习算法，该算法具有简单有效，运算量小，网络训练时间短的特点，提高了BP网络的工作性能。(4)运用上述方法结合具体的一台GM2000A数控机床进行温度测点分析和热误差模型的建立，并对热误差的BP神经网络模型用Matlab进行实验仿真，仿真结果取得较好的补偿效果，表明了该方法的可行性和有效性。(5)通过改变数控机床的PLC的某些程序来移动运动副，使刀具或工件在机床空间误差的逆方向上产生一个相对运动，实践证明，该智能补偿的有效性和实用性。本文的创新贡献如下：提出了数控机床热误差补偿的一种新颖方法——基于粗集理论和BP神经网络的热误差补偿法。该方法通过利用粗集理论方法对温度测点进行优化，简化了BP网络的输入变量，用梯度下降法训练的在线学习算法，进一步优化了网络，提高了网络的工作效率和预测精度，与此同时，应用西门子S7-300PLC软件编辑补偿程序，有效的实现了数控机床热误差补偿，提高了加工精度，降低了生产成本。