El error térmico inducido por fuentes de calor es un elemento principal que influye en la precisión de las máquinas herramienta CNC. Un enfoque práctico y económico para mitigar los errores térmicos es a través de la compensación de errores térmicos. Para proporcionar una comprensión integral del modelado de errores térmicos y sus avances, este documento revisa sistemáticamente los métodos basados en aprendizaje automático para la compensación de errores térmicos. El modelado de errores térmicos es el paso más crítico en la compensación de errores térmicos, ya que influye directamente en la efectividad de la compensación debido a su precisión y robustez. Con el rápido desarrollo de los grandes datos y la inteligencia artificial, el aprendizaje automático ha surgido como una herramienta poderosa en el modelado de errores térmicos, lo que ha llevado a un progreso significativo en la investigación en los últimos años. En este documento, se presenta una visión general de los métodos de modelado de errores térmicos basados en aprendizaje profundo que se han investigado y aplicado en los últimos años. Específicamente, se introducen y analizan dos métodos para reducir los errores térmicos, a saber, la supresión de errores térmicos y la compensación de errores térmicos. En segundo lugar, los métodos de modelado de errores térmicos basados en aprendizaje automático se clasifican en enfoques impulsados por aprendizaje automático tradicional y enfoques impulsados por aprendizaje profundo. Se revisa y resume en detalle la aplicación de estos dos métodos en el modelado y la compensación de errores térmicos. Al sintetizar estos estudios, este documento identifica los desafíos y tendencias clave en el modelado de errores térmicos basado en aprendizaje automático. Finalmente, se resumen los métodos de modelado de errores térmicos discutidos en este documento y se proponen direcciones de investigación futuras para mejorar aún más la precisión y robustez del modelado.