电主轴作为数控机床的核心部件,其性能的优良制约着高速机床的发展。而电主轴内置的电机和轴承发热不可避免,由此产生的温升会导致主轴发生热变形,从而会影响主轴的运行状态和加工精度,因此,为确保电主轴高速运转过程中的加工精度,需要对电主轴热特性进行详细分析和温升进行精确预测。本文以试验性电主轴170SD24Q15为研究对象,提出考虑定转子表面粗糙度的电主轴热力学模型,研究了粗糙度对其影响的规律;采用有限元方法建立了电主轴仿真分析模型;设计了电主轴热学实验;由于电主轴内部温度变化具有较强的非线性和复杂性,提出不同的人工智能算法实现了对电主轴内部温度的预测研究。本文主要研究内容包括:1)提出考虑定转子表面粗糙度的电主轴热力学模型。电主轴高速运转过程中,定转子表面粗糙度对定转子换热系数和空气摩擦损耗都有不同程度的影响。由仿真结果可知:当转速一定时,随着定转子表面粗糙度的增大,空气摩擦损耗增加;当定转子表面粗糙度一定时,随着转速增加,空气摩擦损耗增加;定转子间隙换热系数随着表面粗糙度的增加呈现出先降低后增加的趋势。2)建立电主轴有限元热态分析模型。建立电主轴有限元模型,在ANSYS Workbench中设置相关材料属性,将两大热源的生热率、传统换热系数及不同粗糙度下的定转子换热系数等加载到有限元模型上,得到不同定转子表面粗糙度下电主轴稳态温度场的分布规律。当定转子表面粗糙度为1μm时,其温度更接近实验值。定转子表面粗糙度越小,其空气摩擦损耗更小,在定转子间隙换热系数作用下,可以带走更多热量。3)建立基于BP神经网络的电主轴内部温度预测模型。在设计热学实验获取电主轴温度数据的基础上,采用BP神经网络强大的非线性问题处理能力研究变化复杂的电主轴温升,并在传统经验选取隐含层神经元节点的方法基础上,扩大（6值,得到了最佳隐含层神经元节点数,构建了更优的拓扑结构。基于BP神经网络建立了BP电主轴内部温度预测模型,对电主轴前轴承外圈、后轴承座和定子端部温度进行预测。预测结果表明:BP神经网络可以实现电主轴内部温度的预测。4）提出了改进BP神经网络的电主轴内部温度预测方法。粒子群算法（PSO）具有收敛速度快和较强的全局搜索能力,将粒子群算法的优势与BP神经网络结合,建立PSO-BP模型,实现了电主轴内部温度的预测。为提高预测精度,在粒子群算法中引入变异算子,实现了对PSO-BP算法的优化,建立了改进PSO-BP的电主轴内部温度预测模型。结果表明:改进后的PSO-BP预测模型鲁棒性高,电主轴各温度测点的预测值和期望值误差更小,预测精度均高于PSO-BP和BP模型。