随着我国工业技术的日益提高,各种高端制造业对现生产零部件的精度有了更高的要求,而数控机床是目前加工制造业的主力军,所以提升数控机床的加工精度已经是势在必行。造成机床加工精度低的重要因素之一就是机床自身存在和在加工过程中产生的误差。通过对误差的研究表明,当机床精度达到一定要求时,误差补偿法既可以有效地补偿误差,还可以节约大量成本。以GMC2000A机床为研究对象,分析了机床Y轴在不同温度分布下的轴向定位误差的测量、分离、筛选、建模和预测等问题,达到了加强机床加工稳定性和提高误差预测率的目的。主要研究内容如下:（1）系统地阐述了数控机床结构、误差分类、误差分离、误差建模和误差预测等基础理论,以GMC2000A机床为研究对象,对其Y轴轴向定位误差进行了位置误差测量实验,通过误差分离法将其分为几何误差和热误差,并对热误差进行了聚类分析,选取了关键热源的温度数值。（2）提出了萤火虫算法优化BP神经网络的机床热误差模型。针对BP神经网络对隐含层节点数、初始权值以及阈值敏感问题,利用萤火虫算法进行了两次优化,第一次优化了隐含层神经元个数,第二次优化了初始权值与阈值。经过训练后得到了优化的热误差模型,最后通过对模型性能的评估,表明对BP神经网络的相关参数进行优化选择能够很大程度地提高误差模型的预测精度。（3）提出了布谷鸟算法优化最小二乘支持向量机的机床热误差模型。针对最小二乘支持向量机随机初始化核函数参数和惩罚因子问题,利用布谷鸟算法进行参数寻优,并引入了混合核函数。通过实验验证和性能评估,得到基于布谷鸟算法优化最小二乘支持向量机能够很好地对热误差进行建模和预测。（4）对误差数据添加扰动,验证误差模型的抗干扰性。利用切比雪夫多项式建立了几何误差模型,通过误差分离原理建立了综合误差模型。在温度数据中添加扰动,验证两种热误差模型的抗干扰性,发现优化的最小二乘支持向量机模型仍能保持良好的预测效果,可适用于工厂等多变环境下,而优化的BP神经网络模型预测效果明显下降,可适用于实验室等稳定环境下。