随着现代工业的不断发展，使得现代制造业对机床的加工精度的要求越来越高。在众多影响加工精度的因素中，机床热变形所引起的热误差占主要地位。据研究表明热误差占机床总误差可高达的40%到70%。为了解决该难题，国内外学者对热误差补偿做了大量研究。而测温点优化选择作为热误差补偿中的第一步对热误差补偿模型的鲁棒性和精确度有着至关重要的影响。在热误差补偿中温度测点的数目从几个到几十个不等，温度测点多有利于建立高精度的热误差模型，温度测点过多也会带来测温点布置的工作量和热误差补偿模型计算量加大等不利；相反，如果测温点过少，则不能准确的拟合出机床温度场的变化情况。因此，合理、正确的选择测温点是建立强鲁棒性、高精度热误差模型的基础。本文针对机床热误差补偿中测温点的优化选择，提出了两种测温点优化选择方法,并对两种测温点优化方法进行验证。主要工作如下：（1）对柔性加工单元CR5116，进行了结构分析以及热源、热误差分析，制定相应的热误差及温度场检测实验方案。然后，针对实验数据，分析了三个方向上的热误差与结构之间的关系，以及热误差与温度变量之间的关系；最后总结得出测温点优化选择的必要性。（2）提出两种测温点优化选择方法。一是热误差敏感稳定度与模糊聚类相结合的优化方法。利用热误差敏感度的定义，提出了热误差敏感稳定度的定义。以候选测温点的热误差敏感稳定度作为筛选标准，对候选测温点进行初选。然后，利用模糊聚类进一步筛选测温点并消除温度变量间的耦合性。另一种是基于时间序列相似性分析与K均值聚类相结合的优化方法，通过对热误差时间序列和候选测温点的温度时间序列的相似性分析对候选测温点进行初选，再进行K均值聚类选取相互之间耦合性不强的候选测温点。（3）建立两种热误差补偿模型，多元线性回归热误差补偿模型和BP神经网络热误差补偿模型。利用两种不同类型的热误差补偿模型对本文提出的两种测温点优化方法从补偿精度等多方面的比较进行验证。