近年来,伴随全球新一轮的产业革命和科技发展浪潮,国内外机器人产业迅速发展,规模和市场在不断扩大。通过提高机器人的认知和学习能力,可以使机器人在非定制化编程的情况下,根据任务环境自主规划运动轨迹。然而,传统工业机器人主要采用示教编程方式来实现运动规划,这种方法仅仅是让机器人重复示教的轨迹,存在编程效率低,泛化能力差等诸多问题。而人机技能传递则是一种实现机器人高效编程的关键技术,其将人的技能做通用化的表示之后传递给机器人,提高了机器人编程效率以及在不同任务场景下的技能泛化能力。本文将对人机技能传递系统及相关方法展开研究,通过改进已有的技能模型,并结合机器人智能控制算法,开发基于技能建模的人机技能传递系统。本文首先对机器人技能模型的相关经典方法展开讨论和分析,包括了动态运动原语(Dynamic Movement Primitive,DMP)和高斯混合回归(Gaussian Mixture Regression,GMR)方法。同时,我们设计基于DMP模型的技能传递框架。该框架包含了机器人技能建模部分和轨迹跟踪控制器部分。在机器人技能建模部分,我们提出了基于GMR和DMP的技能建模改进方法,使得技能模型既具备空间拓展能力,又能够编码同一组示教轨迹的空间概率分布。进一步地,我们使用模糊高斯混合回归(Fuzzy Gaussian Mixture Regression,FGMR)替换GMR方法,提高了其对DMP非线性项的拟合能力。在轨迹跟踪控制器部分,我们设计了基于函数逼近的控制器,使用径向基(Radial Basis Function,RBF)神经网络估计机械臂未知的动力学部分,对外界环境造成的动力学扰动进行补偿,减小了控制器的轨迹跟踪误差。考虑到基于多源信息的技能建模对机器人成功执行任务具有重要作用,本文还设计了基于力位建模的人机技能传递系统,将同时对示教运动所包含接触力信息和位置信息进行建模。对于示教阶段,我们基于导纳模型实现了对机械臂末端的牵引示教功能。考虑到机械臂缺少力传感器或者力传感器数量不足的情况,我们设计了基于动量的力观测器,来估计机械臂末端和环境的接触力。对于技能学习阶段,我们进一步改进了DMP模型的动态系统部分,使用一阶指数衰减系统替代模型中固定的目标点参数,解决模型输出轨迹加速度突变的问题。对于复现阶段,我们使用主动刚度控制来控制机械臂末端和环境之间的刚度,从而间接地对接触力进行控制。