高精制造是现代智能制造的发展趋势之一,制造领域对工业机器人的定位精度要求不断提高,通过标定技术能有效提高工业机器人的定位精度,但受限于负载变化、人机协作、环境干扰等因素,传统的运动学标定方法难以使机器人满足精度要求。针对这一问题,本文提出了一种基于机器学习的位置误差标定方法,通过分级标定、综合补偿的方案提高机器人的定位精度。首先,以UR10型工业机器人为研究对象,对机器人进行运动学建模和正、逆运动学推导,仿真验证了模型的正确性。接着基于运动学误差模型分别使用最小二乘法和遗传算法进行几何参数误差辨识,仿真验证了两种方法的有效性后,结合两种方法的优点,提出了一种基于遗传优化最小二乘法的参数辨识方法进行运动学标定。随后,针对难以辨识的非几何参数误差,研究了非运动学标定的机器学习模型,分别设计了基于反向传播神经网络、决策回归树、梯度提升树的机器学习模型对运动学标定后的残余位置误差进行预测,并提出通过决定系数对模型进行评估和选择。针对机器人控制器参数无法修改的问题,分析了基于运动学逆解和非线性最小二乘法实现误差补偿的局限性,提出了一种基于智能搜索算法的误差补偿方法,充分利用了机器学习模型的预测能力,并以粒子群算法为例叙述了误差补偿的具体流程。最后,搭建了实验平台对总体方案进行验证,实验结果表明:（1）使用遗传优化最小二乘法辨识几何参数误差后,再通过梯度提升树模型预测残余位置误差,可以实现运动学、非运动学的分级标定,且此算法组合下的标定效果最好。（2）利用粒子群算法将遗传优化最小二乘法的辨识结果和梯度提升树模型的预测结果补偿到关节角度中可以实现误差综合补偿,补偿后机器人的平均位置误差由2.381mm降低至0.207mm,定位精度提升了91.31%。