目前数控机床的误差补偿方法大多是通过对误差源测量与建模实现的,这种方法存在着误差源考虑不全、模型搭建不准、模型复杂可移植性差以及成本过高等缺点。而且现有的很多方法都忽略了大批量生产问题,造成数据资源的严重浪费,如今是信息化、智能化、数据化的时代,对数据的有效利用将会成为增加制造行业的利润率的关键。针对现有误差补偿方法的不足,在已有数据驱动控制算法的基础上,本文给出了一种基于数据驱动的无模型自适应迭代学习误差补偿方法。该方法仅仅利用输入输出数据,综合考虑了所有误差源并且不需要对其建模,解决了传统方法中的难点和局限。本文最先将无模型自适应的迭代学习方法用在了系统加工轨迹的误差补偿过程中,设计了智能误差补偿模块,编写相应的程序并在Simulink中搭建仿真结构图,通过自适应的迭代方法将以往数据信息应用到当前加工中,对当前加工轨迹提前做出补偿,以此来提高加工精度。本文通过Matlab仿真对所给方法进行验证,首先对传统P型迭代学习误差补偿方法进行了验证,针对该方法存在的不足,给出了一种基于模糊迭代学习的误差补偿方法,该方法可以实时调整学习量,改进了P型迭代学习补偿方法因固定学习律而对干扰的补偿效果较差这一缺陷。然而模糊算法在参数设置与模糊规则选取上存在很大的不确定性,无法保证其收敛性。针对以上问题,给出了数据驱动无模型自适应迭代学习误差补偿的算法,该方法可以自适应调整学习律,并且结构简单便于实现。将该方法与以上两种方法进行仿真比较,并在仿真过程中分别加入阶跃及噪声干扰来比较三种方法在复杂环境中对干扰的补偿性能,仿真结果验证了该方法的优越性。最后将上述所给算法在XY平台上做了实验,实验结果也证明了本文所给算法是可行并且有效的。本文所给算法不依赖系统模型,计算量相对简单,是无模型自适应方法与机床误差补偿的一个很好的结合与应用。