装配是将一组零件连接装配在一起的一项任务。一些过程需要推动、冲压、扭曲行为,这可能产生巨大的接触力,而其他过程可能需要精确定位。因此,必须适当地控制位置和力以完成装配任务。基于力的装配解决方案通常针对特定任务和配置而设计。设计、编程和调试过程非常耗时。从演示中学习（LfD）是一种有效的方法,可以隐含地将人类知识转移到机器人中。它依靠演示方法来引导机器人并同时记录传感器数据,从演示过程所记录的数据中学习出技能知识并进行任务的复现。现有的演示技术都有自己的应用场景和局限。基于手势的方法提供了一种不受约束的自然方式来操作机器人。然而,人体运动的不确定性和低分辨率特征以及缺乏力反馈,使得机器人很难完成柔顺和精确的运动。本文提出了一种新颖的基于手势的柔顺装配技能演示系统。通过使用左手作为指挥和右手作为定位,可以即时调整不同的操作模式和缩放比例以满足准确性和效率要求。此外,开发了基于振动的力反馈系统以向操作员提供远程的临场感,来感知装配过程中的接触力。单纯针对某一技能进行演示学习是低效的,并且割裂了其在装配过程中的上下文联系。技能与前后技能相互衔接,隐藏有边界条件和约束条件、技能与环境和任务间同样包含多种约束。相比运动轨迹,这些约束能够更准确反映技能背后的知识。因此,本文基于任务约束提出了一个柔顺装配技能学习框架,研究了柔顺装配过程中的任务分割,控制策略的选择以及技能建模与任务复现的方法。此外,对于任务复现过程中,当环境参数发生变换时,为了保证机器人以及零部件的安全,本文提出了一个机器人连杆避障算法。最后,轴孔装配任务用于测试本文开发的演示系统的有效性,为了验证本文所提出的柔顺装配技能学习方法,本文基于Novint Falcon平台进行了高精度轴孔装配实验,证明了该技能学习算法的有效性。之后对基于手势和基于Novint Falcon两个遥操作平台进行了对比实验,得出本文所提出的基于手势的遥操作系统由于其良好的可扩展性,可以执行次高精度的操作,可以选择合适的工作模式,使次高精度任务更快的完成。最后在基于手势的演示平台上进行了自适应避障实验,验证了本文所提出的机器人连杆避障算法的有效性。