机器人演示学习技术在一定程度上解放了人类的编程压力,在家政服务机器人以及工业机器人上有着广阔的应用前景。优异的演示学习方法应使得机器人具有灵活的任务学习与规划能力,以应对多变的工作环境以及不同用户的需求。目前演示学习方法常见的研究路线主要分为两种:基于轨迹和基于任务目标规划。基于轨迹的演示学习将机器学习方法作用于示教轨迹,其优点是直观且易于复现,但针对复杂多变的任务在一定程度上会增加轨迹学习的复杂度,且其场景泛化能力较差。而基于任务目标规划的学习,通常借助机器视觉技术表达任务相关的信息,据此进行复现规划。其优点是场景泛化能力较强,但在复现时机器人执行的轨迹大多是预定义生成的,相对笨拙且工作量较大。综合分析了二者的优缺点,本文将基于轨迹和基于任务规划两类方法结合以实现优势互补,提出了一种基于机器视觉的演示学习框架。首先,相比于传统僵硬的人工拖动机器人示教方式进行轨迹模仿学习,本文采用了kinectv2摄像头去感知人体手部关节运动信息,基于动态时间归整、高斯混合模型、高斯混合泛化、动态运动基元等方法,提出了一种无标记人手示教的动作基元轨迹学习方法,并设计了轨迹学习实验,验证了该方法的可行性,探索了该方法的轨迹泛化能力。然后,本文还设计了一种基于图像处理和图像分析的任务表达及复现规划方法。该方法通过结合示教上下文提取并处理关键帧,以表达任务相关配置信息。复现时根据已表达的任务模型,在新场景中定位并估计目标物体姿态,以进行复现规划,结合动作基元的轨迹模仿学习,以控制机械臂复现执行任务。最后,搭建了手眼实验平台,针对实验平台配置提出了相应的手眼标定方法,将相机采集位姿数据映射至机械臂坐标系,参照装配作业设计了插孔任务与组装任务,运用本文所提出的整体学习框架进行复现验证,通过大量的实验,证明了该任务学习与复现规划的可行性,以及整体学习框架在复现执行时的可靠性。