在执行动态复杂任务时,如何保证服务机器人具备灵活操作性以及整体动作流畅性是现阶段服务机器人应用中迫切需要解决的问题。目前,针对该问题,常见的解决方法有基于规划或者基于模仿的方法。其中,基于模仿的人-机器人运动重定向法由于其输入简单、动作自然仿生而受到广泛关注。该方法通过人体跟踪及对应关节映射,可将人体动作迁移到机器人上,实现人-机器人运动的重定向,从而生成流畅的机器人动作。随着消费级别彩色-深度（RGB-D）传感器的出现,由于能够同时提供色彩和深度信息,使得人-机器人运动重定向中人体姿态的获取、人体三维建模等关键技术变得更加便捷。虽然基于RGB-D信息的人-机器人运动重定向取得了一定的成果,但也存在一些问题有待进一步解决,例如建立的映射关系缺乏通用性、获取的深度信息精度不够以及生成人体三维建模过程复杂等。因此,本文针对RGB-D信息在人-机器人运动重定向中应用面临的以上问题开展了研究工作,重点研究了多频飞行时间相机的深度补偿,基于RGB-D信息的动态物体建模,基于深度信息的生成式人-机器人重定向以及RGB-D信息在人-机器人重定向中的应用。取得的研究成果如下:1)为减小多频飞行时间相机在曝光时间内物体运动以及相位融合中产生的偏差,提出一种基于光流以及空间核密度估计的实时补偿算法。首先获取原始的多频相位图像,计算出不同的频率之间的相对光流,获得每种频率下的补偿相位;然后针对不同频率的相位做出可信度假设并利用空间核密度估计对其进行排名,最后生成相位融合图以及与其相对应的深度图。采用标准数据集和Kinect V2相机获取原始多频相位图并结合GPU并行加速技术对该算法效果进行验证。结果表明该算法可以实时地对物体运动以及相位融合偏差进行补偿,有效地提高了深度图像的精度和稳定性。2)为了解决动态三维重建中的漂移问题,提出了一种在动态环境下建立非刚性物体三维模型及彩色模型的算法。首先将整体动态序列分为若干个小序列,并利用这些小序列完成局部面片的重建。然后利用全局非刚性配准将这些面片对准到一个统一的正则空间中,其中利用回环检测约束来减少累积误差,之后对生成的模型进行迭代更新,最终生成具有高精度几何信息以及高质量彩色图像的三维模型。在非刚性配准和回环检测中,利用几何和色彩信息来解决匹配的二义性问题。在仿真验证中,生成的三维模型在定量比对中可达到毫米级别的精度;在实际实验中,本文提出的算法可以生成完整紧致带有高保真色彩的模型。3)提出了一种基于深度信息生成式人-机器人重定向算法。首先,针对不同的实验对象及目标机器人生成一个参数化的HUMROB模型,该模型包含人体的运动参数以及机器人的关节配置;然后利用高斯混合模型对HUMROB进行形变来拟合实验对象的三维点云信息;形变过程中,加入对应机器人的关节信息以及稳定性约束;最后,利用形变计算出关节角并将其直接应用于人-机器人的运动重定向中。实验结果表明该算法在不同的实验对象上均取得了较好的效果,在确保稳定性的同时保证了重定向的相似性。4)在深度图像的基础上加入RGB图像信息,提出了一种基于RGB-D信息的生成式人-机器人重定向算法。首先利用实验对象的RGB图像获取人体的关节位置,结合与之对应的深度图像计算出关节点的空间三维位置,使用该信息对基于皮肤变换的多人体线性（SMPL）模型进行优化,获取当前状态下可驱动的人体三维模型;然后加入机器人的关节配置信息,生成可驱动的HRSMPL模型;最终,和3)相似,利用高斯混合模型对HRSMPL进行形变获取关节角并将其应用于人-机器人的运动重定向中。此外,在该算法的基础上加入头部跟踪以改善模型的整体效果。实验结果表明该算法可以根据RGB-D信息完成人-机器人的重定向,在不同的实验对象上均取得了较好的效果。