人-机器人交互(Human-Robot Interaction,HRI)是人机交互(Human-Computer Interaction,HCI)的一个重要分支,是人与机器人之间相互交流的纽带。作为一种HRI方式,中文指令是服务任务的一种自然语言描述形式。因此,如何对中文指令进行处理,将其转化为机器人可以直接理解的动作序列,是提高机器人智能性和自主性的一项重要研究内容。本论文就是以面向家庭服务机器人的中文指令为研究对象,从显性信息提取、隐性信息提取、人-物关系提取以及机器人任务规划这四个问题展开相关研究。首先,针对如何提高在家庭环境下中文指令信息提取全面性的问题,提出一种基于分层概率混合模型的显性信息提取方法。以句法结构与语义信息之间存在的映射关系为基础,预定义五类显性信息,并依据中文词(或短语)的语法设计合理的显性信息组块规则;利用无向图思想,构建用于显性信息组块标注的条件随机场模型;利用贝叶斯统计方法,构建用于显性信息提取的贝叶斯分类器;通过仿真实验和基于中文指令处理系统的显性信息提取实验,验证该模型的有效性和可行性。其次,针对家庭服务机器人在理解中文指令时如何提取指令之外相关实体信息的问题,提出了一种基于层叠深度置信网络模型的隐性信息提取方法。依据理解中文指令中蕴含的服务任务时涉及的实体,预定义两类隐性信息;在全息地图的基础上,构建层叠深度置信网络模型,利用能量函数设计隐性信息提取算法;通过仿真实验和基于中文指令处理系统的隐性信息提取实验,验证该模型的有效性和可行性。再次,针对已有语义关系提取方法无法直接移植到家庭环境中提取人与物之间存在的多类语义关系的问题,提出一种基于多核支持向量机模型的人-物关系提取方法。依据家庭环境中人与物之间的联系,预定义四类人-物关系;以人和物在中文指令中的词汇特征、短语特征、排序特征和属性特征为基础,构建人-物实体对的多特征组合;将词汇核、句法核和属性核作为基核函数,利用线性加权求和方法构造多核函数;利用简单多核学习方法训练多核支持向量机模型;通过仿真实验和基于中文指令处理系统的人-物关系提取实验,验证该模型的有效性和可行性。最后,针对已有任务规划方法不能将中文指令转化为家庭服务机器人可以理解的动作序列的问题,设计了一种基于解析模板的机器人任务规划方法。依据显性信息包含实体的数量和类型,对中文指令进行分类,并给出相应服务任务的定义;在人-物关系和任务/步骤联合表的基础上,利用任务分解规则设计解析模板以及机器人的动作/状态转移过程;以此为基础,将中文指令转化为机器人操作语言表示的动作序列;通过仿真实验和基于中文指令处理系统的机器人任务规划实验,验证该解析模板的有效性和可行性。