随着人工智能技术的发展,机器人逐渐向工业、医疗、教育等领域渗透。冗余机器人是其中应用最为广泛的一类,通常作为一种机械化工具,代替人们周而复始地完成各种繁琐的任务。因此,冗余机器人的运动规划研究对推动机器人产业发展有着重要的理论和实践意义。传统的运动规划方法通常难以兼顾多方面的需求,比如噪声抑制、关节物理约束、轨迹精度、姿态控制等。为满足任务需求的多样性,本文从优化角度构建了冗余机器人的运动规划方案,设计了动态神经网络（dynamic neural network,DNN）在线求解模型,并利用其可拓展性,设置噪声抑制项,处理各种噪声,增强模型的鲁棒性。本文的主要研究内容概括如下。首先,本文研究了基于速度层双指标加权（bi-criteria weighted,BCW）的运动规划方案并设计了残差免疫的动态神经网络（residual immune dynamic neural network,RIDNN）模型。所构建的BCW方案可以实现关节误差和关节速度无穷范数的优化,通过增加解耦项,在理论上实现关节误差和位置误差的解耦。然后,本文分析了RIDNN模型在有界噪声影响下的误差界,并从理论和仿真两个方面验证了RIDNN模型求解的BCW方案的有效性。此外,本文还设计了在卡尔曼滤波器辅助下的运动规划系统,并验证了其对测量噪声的抑制效果。其次,考虑到BCW方案难以处理关节加速度约束,并且对应的求解模型噪声抑制能力有限,本文进一步研究了基于加速度层的周期运动生成方案（cyclic motion generation,CMG）方案,并设计了抗噪动态神经网络（noise-tolerance dynamic neural network,NTDNN）模型。CMG方案可以对关节角度、速度、加速度的范围进行约束,并在关节加速度层面弥补关节误差。所设计的NTDNN模型参考多项式时变噪声的特点,增加两组动态变量消除多项式噪声的干扰,在RIDNN模型的基础上进一步提升了噪声抑制能力。随后,本文分析讨论了NTDNN模型在噪声环境中的稳定性和收敛性,并通过对比,展示了基于NTDNN模型求解的CMG方案在处理噪声方面的优越性。最后,在BCW方案和CMG方案的基础上,本文增加了末端执行器的方向保持和接触力控制,构建了基于位置-力控的周期运动规划（motion-force-based periodic motion planning,MFPMP）方案。为求解该方案,本文进一步设计了基于模糊参数的动态神经网络（fuzzy-parameter-based dynamic neural network,FPDNN）模型。通过设置自适应的收敛系数,以增加FPDNN模型对任务的适应性。随后,参照NTDNN模型的设计过程,增加了一系列的系统状态变量,使其具备多项式噪声抑制的特点。最后,一组在有/无噪声环境下的仿真比较证明了由FPDNN模型求解的MFPMP方案的优越性。