针对目前协作机器人操作规划建模困难、对动态任务鲁棒性差及维护效率低等问题,本文构建了人机协作的智能操控作业单元,并研究了智能操控作业单元的功能组成,旨在提供一套较为系统的、行之有效的方法,以提升协作机器人的操控性能、任务学习能力及维护的效率,并改善协作机器人对动态任务的鲁棒性,对提升协作机器人的操控性能有重要意义。为了实现未装备力传感器的协作机器人对可变形被操作对象的抓取力控制,本文采用了模糊硬度推断策略,提出了一种基于长短记忆神经网络的监督学习的物性推断方法。该方法将夹手闭合度与物体变形量作为关键变量,并通过视觉方法对两者进行测量。然后将测试的变形数据作为LSTM输入进行监督学习,从而得到几种预测的变形曲线。通过计算预测曲线与测量数据之间的误差实现模糊硬度推断,最终实现抓取力调节,以此降低被操作物品的变形程度。验证实验表明,该算法可以在抓取过程中实现对物性的快速推断,借助视觉信息实现模糊的抓取力控制。针对协作机器人所面临的任务型指令越来越多的问题,提出了一种基于任务操作对象的语义矩阵（SOM）的规划算法。此算法利用petri网将机器人复杂的操作任务分解为连续的子任务,以供有限状态机进行状态检测及任务理解;同时同步生成与子任务相关的任务语义矩阵。借助任务语义矩阵并结合任务状态,可以对协作机器人的操作进行点云分割、碰撞几何建模和目标与障碍物之间的自动转换。实验结果表明,该算法提升了协作机器人对非结构化动态场景下的任务理解能力和任务操作的鲁棒性。为解决数学建模式抓取点的规划与最优抓取点选取效率无法满足操作任务快速调整的问题,本文开发了imitating CNN方法来解决上述抓取点的选择低效问题。该方法通过计算人手和被操作对象的几何交点,将物体的姿态与人的抓取姿态与抓取点选择相关联。然后设计imitating CNN网络,让机器人从视觉信息中学习人的抓取经验。实验结果表明,在做好人手抓取点数据采集后,该算法可以帮助协作机器人在20分钟内学习指定物体的抓取操作。为了在主动保证人安全的前提下,更有效地实施人机协作,本文提出了基于视觉与力觉的人机安全算法。该方法通过视觉信息构建数字人动力学模型,并通过人机距离建立人和机器人之间的虚拟力连接,然后通过虚拟力大小以及作用时间判断人机安全状态,并根据安全状态做出相应规划,最终实现非停机模式下的接触式维护,提高产线效率。综合以上研究成果,构建了人机协作智能操控作业单元的原型系统,并通过接触式喷头维护实验以及鞋底仿人抓取实验对原型系统的相关功能模块进行了验证。在接触式喷头维护实验中,从检测人-机距离变化到机器人调整的平均响应时间为0.05s。该算法比传统的停止-维护-重启模式效率最大可提高26.4%。鞋底仿人抓取操作实验结果表明,与ROS的pick-and-place模块相比,该学习方法的抓取规划效率提高了26.1%。