《十四五规划和2035远景目标纲要》提出远程医疗是平衡医疗资源布局的有效解决方案,基于“互联网+机器人+医疗”平台,推动远程医疗服务的发展。相比于传统医疗装备,主从遥操作机器人与新一代信息技术、传统医疗器械深度结合,具有超高精度和远程医疗等优点。然而,现有的主从遥操作机器人存在从机械臂逆运动学求解复杂、手部震颤和力反馈缺失的问题,导致其应用受限。因此,如何解决上述问题对主从遥操作机器人的发展至关重要。本文主要工作如下:首先,针对主从遥操作机器人中蛇形从机械臂求解逆运动学的问题,本文建立了基于改进蜉蝣优化-密集连接块最小二乘支持向量机（IMOA-DCBLSSVM）的逆运动学模型,提出了三层密集连接块重新设计最小二乘支持向量机（LSSVM）结构的方法,创造性地利用正运动学矩阵参数来预测逆运动学解。同时,本文提出了改进的蜉蝣优化算法对密集连接块最小二乘支持向量机（DCBLSSVM）的内部参数进行优化。研究结果表明,所提出的模型可轻松实现不满足Pierper准则的蛇形机器人实时求解和遥操作精准控制,在三个样例中蛇形机器人末端的运动误差降低至微米级。其次,针对目前主从遥操作过程中医生不可避免的手部震颤导致机器人控制精度下降的科学问题,基于已实现的从机械臂实时求解控制,本文详述了主从遥操作机器人控制过程中多维震颤信号的特征信息和误差传递方式,定义了两种基于人工神经网络的震颤滤波模型。同时,本文提出了改进平衡优化器-宽度极限学习机（IEO-BLELM）算法,采用宽度学习重新设计极限学习机（ELM）的网络结构,引入特征增强层和提取层。此外,本文提出了改进的平衡优化器算法优化宽度极限学习机（BLELM）的输入权重、阈值和隐含层神经元节点数。在6个算例中,所提出的震颤滤波模型的均方误差（MSE）小于0.1197和可决系数（R~2）大于0.71039。无论是在一维还是三维条件下,将预测的震颤信号对受干扰的实际信号进行补偿,恢复信号与实际信号吻合较好,从而降低震颤信号对主从遥操作安全性和精确性的影响。最后,由于受到机器人末端毫米级尺寸的限制导致无法安装力传感器以获取力反馈信息,从而针对遥操作中缺乏力反馈的问题,本文提出了一种基于改进平衡优化器-新型宽度极限学习机（IEO-NBLELM）的无传感器力估计框架,利用I型参数组合（关节位置、关节速度、关节加速度和电机扭矩）预测末端相互作用力,分析基于机器学习的力反馈系统及其改进策略影响,在柔软、刚性环境下进行力反馈实验并验证,得出最佳力反馈模型及其运行参数。如果从机械臂运行过程中设定了恒定的加速度或者加速度信息不可用时,可以使用Ⅱ型参数组合（电机扭矩、关节位置、关节速度）构建无传感器力反馈系统。