为了获得高精度高泛化的机床热误差模型,提出了以热图像为输入的基于ResNet的数控机床主轴热误差建模方法。构建以热误差取整为标签的热图像数据集,训练以热图像为输入的热误差ResNet分类预测模型。在此基础上,针对机床热误差时序序列的回归特性,将分类输出层的不同标签值对应的概率通过加权集成方式构建回归输出层,实现热误差回归预测,无需重新训练。对热图像深度特征和ResNet分类模型的分类效果进行可视化分析,验证ResNet模型对热图像特征提取的有效性以及良好的分类能力。最后,将ResNet模型与GoogLeNet和VGGNet模型在不同工况下进行比较,分别验证ResNet热误差分类模型和回归模型的高精度和高泛化性。