在各种非结构化约束下进行高效、可靠的运动规划是多自由度机器人实现运动智能的基础与前提。近些年来,机器人的运动规划问题受到了广泛关注,大量研究工作致力于提升机器人在非结构化约束场景下的智能性与自主性。但从生产生活的各个领域来看,机器人,尤其是以串联机械臂为代表的多自由度机器人尚未通过现有规划方法实现其操作的高自主性和高可靠性。主要表现为:现有规划方法对于含有多种约束的操作任务普遍存在着规划效率低、路径质量差的问题,随之带来的任务执行失败甚至人机安全的风险,使运动规划技术无法在实际场景下应用和落地。所以,研究一个能够完整获取并处理操作过程中可能出现的各种复杂约束、且具备高效率、高可靠性的运动规划框架,是解决上述问题的理想途径,并将有力推动地人机协作、物理交互、模仿学习、智能抓取等多个领域的研究,具有广泛的应用前景。本文将机械臂在操作过程可能存在的各种运动约束分解为环境约束、任务约束和控制约束,分别对其进行归纳、描述和建模,并在此基础上寻找一系列控制输入使机械臂安全、可靠地完成预定任务,从而建立一套高效、稳定的适用于各种复杂、耦合约束下操作任务的机械臂运动规划算法。本文从环境约束、任务约束和控制约束这三类运动约束的分析和定义入手,结合各自特点研究了约束参数化模型的构建方法,为机械臂运动规划问题提供先验和输入。针对环境约束在机械臂高维构型空间无法被显式描述,从而导致规划算法探索过程盲目、规划效率低的问题,基于增量式的高斯混合模型,结合贪婪的最大化期望估计算法,研究了环境约束概率模型的构建方法,并使其具备随环境变化进行在线更新的能力;针对任务约束存在种类多样、非线性强且隐式定义的特点,研究了一种基于连续动作模仿学习的任务约束模型构建方法,通过手眼跟踪、滑动窗一致性采样、运动聚类和全变差降噪等手段,使机械臂从单次连续示教动作中分割并学习出多种任务约束,并利用流形度量学习建立任务约束近似模型,并进一步研究了包含多种被操作物体的任务约束模型库的构建方法。针对运动规划算法在解决含有多种约束操作规划问题时效率低的问题,本文利用环境约束、任务约束模型的先验知识,研究了面向环境约束、任务约束的机械臂运动规划方法。针对碰撞检测模块严重制约规划算法效率的问题,基于环境约束的概率模型,研究了一种兼顾可靠性与高效率的碰撞检测算法,提升了构型空间中高维样本点的碰撞检查速度;针对任务约束流形非线性、零测度且不可解析的特点造成规划效率低、可靠性差的问题,基于任务约束模型中的流形近似图和流形度量的先验信息,通过局部最优扩展和流形投影等方法,对规划搜索过程进行引导和启发,结合碰撞检测模块,构建了高效、稳定的环境、任务约束下机械臂运动规划方法。针对运动规划算法生成路径质量差、且现有路径优化算法容易破坏已满足约束的问题,本文研究了一种基于线性约束条件下二次规划的机械臂路径优化方法。利用梯度信息在路径参数空间进行数值优化,通过碰撞回溯策略将环境约束转化线性约束条件增量式地加入二次规划过程,并将每轮迭代产生的优化路径向任务约束流形进行投影,从而生成完全满足环境约束、任务约束和控制约束的最终轨迹,使机械臂能够以最优时间效率执行含有多种约束的作业任务,并提出机械臂路径质量的定量评价指标,为后续的对比验证实验奠定了基础。利用对含有多种约束规划问题的研究结果,构建了具有较高效率和可靠性的机械臂运动规划算法框架,并搭建了多种场景下的仿真和实验平台。从环境约束和任务约束模型入手,验证了约束模型构建与更新方法的有效性与准确性。在约束模型的基础上进行了无任务约束、末端姿态约束、封闭链约束和被动链约束等多种任务下的机械臂运动规划实验,并与同类算法进行对照实验,证明了本文提出的运动规划算法的高效率以及约束模型的有效性。基于运动规划算法获得的初始路径,利用面向控制约束的路径优化方法进行了一系列路径优化实验,证明了本文提出的建模、规划和优化算法框架能够高效、稳定地解决含有环境约束、任务约束和控制约束在内的多种约束的运动规划任务,为该框架在工业生产、物流配送、抢险搜救、家庭服务等实际场景下的应用奠定了理论与实践基础。