工业机器人由于本体结构特点及零部件制造、安装等误差,致使其运动中具有较低的绝对轨迹精度。且工业机器人末端精度具有较高的位姿依赖性,在可达空间不同位姿下差异较大,在机器人铣削加工大型复杂零件时,将导致铣削精度呈现不均匀分布,达毫米级的轨迹位置误差严重影响被加工件的铣削质量。研究机器人铣削轨迹中末端位姿误差测量手段,分析误差分布规律,制定误差补偿策略是提高机器人铣削加工精度的重要途径。针对铣削中机器人的绝对位姿误差,实现了一种利用双目视觉系统跟踪测量的末端位姿误差计算方法。搭建了机器人铣削加工双目视觉跟踪测量平台,配置编码标志点,通过双目视觉系统动态识别编码标志点,完成编码标志点坐标系的构建。结合机器人位姿数据,研究了两种主轴编码标志点坐标系标定算法,建立了主轴编码标志点坐标系和机器人末端刀具坐标系之间的映射关系,通过各坐标系之间的转换,实现了机器人运动过程中刀具端姿态误差与位置误差的计算。实现坐标系标定算法、姿态误差测量算法、位置误差测量算法在机器人铣削加工中的应用。结合算法原理开发了上位机软件,在坐标系标定模块中完成软件端与机器人、双目视觉跟踪系统之间的通讯,并通过测试实验对两种编码标志点坐标系标定算法进行了精度对比。通过测量实验对姿态误差采集算法与位置误差测量算法进行了可行性测试,并采用激光跟踪仪验证了误差测量的准确性。最后结合开发软件对机器人铣削实验中轨迹位置误差进行测量,实验结果证明了算法的有效性。通过训练PSO算法优化的BP神经网络模型模拟了机器人位姿与其铣削轨迹中末端位置误差之间的内在关系。建立了基于神经网络的位置误差预测模型,根据机器人可达空间选取了一测量区域,制定不同轨迹下刀位点位置误差采集方案进行样本数据的采集。采用14-折交叉验证法对建立的网络预测模型进行测试,确定了模型最优结构参数。通过PSO算法对网络预测模型进行了优化,完成最终机器人末端位置误差预测模型的建立,并验证了其预测精度。分析了机器人测量空间内末端位置误差分布特点,对测量空间中的常用铣削平面进行Z向位置误差分布显示。建立了基于弦截法的误差迭代模型,将其引入到机器人轴向位置误差补偿过程中,制定了一种机器人末端位置误差预测模型与误差迭代算法相结合的综合误差补偿策略。并应用此综合补偿方法计算机器人铣削轨迹补偿量,进行了离线补偿实验,通过对TCP绝对轨迹进行修正实现位置误差的补偿,将工件最大切深误差降低了80%。基于以上研究,将综合误差补偿方案应用至大型船用螺旋桨与复杂航天飞行器舱段的机器人铣削加工中,显著提高了加工精度。