热误差是影响高速数控机床加工精度的主要原因，而电主轴单元是数控机床的最大热源，主轴热变形直接影响整台机床的性能。电主轴单元的热误差补偿技术是当前现代精密工程的研究热点问题，尤其是电主轴热误差预测模型的精度和鲁棒性是广受关注的难点问题。结合卧式加工中心用电主轴动态与热态特性研究项目，本文对电主轴单元热源及其传热机制的量化、关键测温点的优化选择、不同工况下热误差建模方法进行了深入的分析与研究，并通过数值仿真及实验研究证实本文研究成果可有效地提高热误差模型预测精度，为改善电主轴加工精度提供坚实基础。主要研究内容包括：（1）进行了电主轴单元温度场的研究。通过详细分析热误差形成机理可知，电主轴单元温度场分布不均衡是导致形成热误差的主要原因。分析电主轴两个内热源的发热量发现其大小均与主轴转速有密切关系，根据各自特点分别建立了热源与速度的数学关系式。应用传热学理论，建立了主轴单元的热传递模型，并推导出主轴单元复杂热边界的热传递方程。建立了基于热-结构耦合的电主轴有限元分析模型，利用有限元法研究电主轴高速运转中温度场的变化规律，并进行了实验验证。（2）针对电主轴热误差建模技术中温度布点选取的问题，提出了优化热关键点的新方法。根据测得的温度和热误差数据序列，借助于聚类分析的模糊聚类法将测温点进行分组，并且建立了灰色关联分析模型，综合分析和评价电主轴温度场分布中的各测温点与主轴热误差的相关程度，从各组温度测点中选出对热误差变化最敏感的点，采用修正可决系数最终选出最佳测温点组合。对温度测点的筛选，减小了选择温度变量和建模所需的时间，优化了测温时热传感器的布局。并提出根据不同实验条件和要求优化选择关键测温点的策略。（3）提出了分别采用改进神经网络方法和自回归分析法进行电主轴热误差建模的基本原理及方法，建立了遗传算法优化神经网络模型和基于温度的多元自回归分析模型，并且研究了各建模方法的性能特点。根据两种模型对电主轴热误差产生机理的不同表述形式，比较二者的计算效率和拟合精度。通过对比可看出，二者的具体预测范围不同，对短期预测精度要求高的情况选用自回归模型较好，而遗传神经网络模型更适合于对中长期预测要求高的情况。在综合比较几种常用建模方法的性能基础上，结合灰色理论弱化数据序列波动性的特点和自回归分析理论反映随机性成分的特点，并充分利用RBF神经网络特有的自适应非线性信息处理能力，建立了基于RBF神经网络的组合预测模型。实验结果表明，基于RBF的电主轴热误差组合预测模型能够有效地提高预测精度。（4）为了提高两种不同工况下热误差模型的精度和鲁棒性，提出了将两种工况特征均能很好反映且预测精度较高的组合预测模型。该模型首先建立能准确描述各加工情况特点的热误差模型——灰色模型和自回归分析模型，并通过模糊逻辑自动调节不同预测值的权值，使组合模型在不同工况下预测值均更接近于实际值。通过对恒速连续运转和速度逐步递进两种典型工况的预测和分析，结果表明提出的基于模糊逻辑组合预测模型的精度较高和泛化能力较强。为电主轴、数控机床应用于各种不同工况的热误差预测和误差控制提供了一条思路。