作为新一代人工智能的重要支撑,机器人操作具有广泛的应用前景。但就现阶段而言大部分机器人部署在结构化环境中按照人工预定义的规则从事单一、重复和具有规律性的工作。将人工智能与机器人技术相结合,能够实现机器人对操作技能的理解、学习与控制而无需繁琐的手工编程与调试,是提高机器人智能化水平、促进机器人操作升级的重要途径。人-机器人技能传递技术利用技能学习和柔顺控制方法能够将人的柔顺操作技能快速地传递给机器人,提高机器人操作的柔性,已成为机器人操作前沿领域的研究热点。基于上述研究背景,本文开展了面向机器人操作的技能学习和控制方法研究,旨在使机器人能够通过人机技能学习交互系统自主感知人的运动意图与环境信息,模仿人的操作动作直接学习人的经验和技能,并通过柔顺控制方法最终实现机器人的安全、稳定和灵活操作。本文主要工作及贡献如下:（1）本文面向机器人操作设计了两种人机技能学习交互系统:一是设计了基于稳态视觉诱发电位的人-脑-机神经交互系统,机器人能够对人的脑意图进行感知学习进而生成神经控制高级指令;二是设计了基于触觉力传感信息的物理交互系统,机器人能够利用力传感信息和导纳模型学习人的柔顺运动轨迹。（2）针对复杂环境下移动机器人移动操作中的导航避障问题,提出了基于多源信息融合学习的脑机协作导航避障策略。首先,设计了基于粒子滤波信息融合学习的同步定位与构图方法,保障了机器人在多障碍物室内环境中的实时定位与精准构图;其次,设计了基于脑意图感知学习的人工势场避障轨迹规划法,利用脑意图改变人工势场分布,建立脑意图与人工势场分布之间的控制关系,实时进行多障碍物环境下安全的路径规划;然后,基于李雅普诺夫稳定判据设计了轨迹跟踪控制器,保证非完整约束移动机器人的平稳操作。最终在多障碍物门廊环境下验证了该脑机协作导航避障策略的有效性。（3）针对冗余外骨骼臂的仿人操作任务,提出了一种基于脑意图感知学习的闭环仿生控制策略,实现神经信号直接控制外骨骼臂完成精细操作任务。首先,利用人-脑-机神经交互系统完成脑意图感知和识别;其次,提出了任务空间极坐标下的仿生神经控制方法,将脑意图直接映射到外骨骼臂末端在极坐标下的运动,实现外骨骼臂在操作空间的运动规划;接着,利用基于线性变分不等式的原对偶神经网络优化方法将任务空间运动轨迹转化为关节空间运动轨迹,获取关节空间冗余最优解,避免了矩阵求逆和关节奇异性问题;然后,基于机器人动力学设计了关节空间自适应控制器,利用正切屏障李雅普诺夫函数解决状态约束问题,同时引入干扰观测器估计外部干扰并补偿系统的不确定性以及近似跟踪误差,保证关节运动跟踪误差收敛。最终在冗余外骨骼臂仿人操作任务中验证了该闭环仿生控制策略的有效性。（4）针对以触觉为物理交互信息的人机协作问题,提出了一种基于示教学习的分层人机协同操作柔顺控制策略。高层是技能学习策略,通过动态运动原语-高斯混合模型对机器人运动进行建模,从多次示教中学习人类的操作技能。低层是人机协作柔顺控制策略,通过结合导纳控制器和基于机器人动力学的关节运动控制器确保外骨骼机器人在协同操作期间的柔顺性运动。导纳控制器通过触觉交互信息获取人的柔顺操作轨迹并传递给外骨骼机器人末端执行器。基于机器人动力学的关节运动控制器则采用基于积分屏障李雅普诺夫函数的自适应神经控制器,用以跟踪机器人学习到的操作轨迹,保证人机协作中机器人像人一样自然、柔顺的运动。该低层柔顺控制策略解决了外骨骼机器人系统动力学控制中的诸多问题:利用积分屏障Lyapunov函数解决状态约束问题,抑制外骨骼机器人系统的不良振动问题;设计径向基神经网络用来估计动力学模型的不确定部分;引入干扰观测器用来补偿神经网络的近似残差、输入非线性的干扰项部分以及外部干扰,进一步提高控制系统的鲁棒性。最终在人-外骨骼机器人协作任务中验证了该柔顺控制方法的有效性。