随着机器人的应用场景由工业生产扩展到生活服务,对于仿人型服务机器人,人们期望机器人在外观上和运动上与人类相似,以使其能更好地融入人类生活。自然状态下的人体动作具有能耗低、姿态丰富、稳定性强的优点,通过人体示教可以使机器人快速模仿人类动作。但目前基于人体示教的拟人运动规划研究中存在示教动作数据量庞大、示教效率低、无法泛化的缺点。因此,本文围绕着人体示教下双臂机器人拟人运动规划,提出基于函数型数据分析的人体示教动作数据降维与新示教动作合成的方法,提高机器人拟人运动规划效率。主要研究内容如下:首先,设计并搭建了仿人双臂机器人Player。根据人臂运动特点确定其构型和尺寸,采用D-H法建立七自由度机械臂运动学模型,通过优化臂形角进行运动学求解,在MATLAB中进行双臂运动学仿真,并进行实验,实现机器人以拟人的姿态执行预定轨迹。其次,进行了人体动作示教研究。采用人体动作捕捉设备采集人体自然运动状态下关节点数据,对数据进行滑动滤波降噪,转化为机器人双臂运动的位置、姿态以及臂形角。以交警指挥手势动作为例,实现了Player机器人对示教动作的复现。并提出仿人机器人交互动作评估方法,结果表明通过人体示教复现的机器人动作具有高度拟人性。为进一步解决人体示教动作数据冗余问题,对人臂运动协同进行研究,通过函数型主成分分析法（FPCA）,提取人体示教数据的函数型主成分,在低维空间对示教动作进行表达,降低动作数据量,并构建了40种日常手臂动作库。最后,进行人体示教动作泛化研究,通过设定运动目标位置,求解函数型主成分权重,在原有动作基础上合成新的类似动作,实现了人体示教动作泛化,将新示教动作在Player平台复现。结果表明新动作在保证拟人性的同时,满足了设定的目标。本文所提出的方法能够有效提高双臂机器人拟人运动规划效率,增强机器人对不同场景、不同任务的适应能力。