任务学习是机器人智能水平发展到一定程度后的一个必然要求。与单个的简单动作学习相比，融合在任务中的行为学习更有研究价值和现实意义，可以更全面地提升智能体的自主认知能力和适应能力，使得智能机器人能在部分领域中弥补人力的不足，有助于缓和人口老龄化等严重的社会问题。演示学习作为一种“所见即所得”的方式，让机器人通过近似于“人-人”的教授模式来学习任务知识，增强自身智能水平，比强化学习等方式更简单直观，因而逐渐成为近年来人工智能领域的一大研究热点，得到了更广泛的研究和应用，新的挑战也随之而来。　　 针对当前演示学习扩展性不足的问题，本文以基于视觉的任务学习为例，重点研究了通用对比推理过程在演示学习中的应用，并设计了演示方案进行验证。　　 主要研究工作和贡献如下：　　 1．阐述了演示学习基本理论和行为知识表示，介绍了机器人视觉相关技术应用，并在此基础上提出了观察模仿的演示学习框架。　　 2．提出了以深度信息为分割掩码的HSI颜色空间目标检测方法，对场景目标进行检测和识别，并结合金字塔L-K光流法进行跟踪预测。实验结果表明，本文的方法能满足场景中视觉处理的可靠性要求，且具有较好的实时性。　　 3．通过探讨对比思想在演示学习中应用的可行性，提出了基于对比认知的观察模仿学习方法，并阐述了其基本步骤；研究了动作共享原则下的状态表示和动作识别方法，并在示例视频数据中取得了很高的动作识别率，这一结果表明，概念层次的范例表示具有较强的抗干扰性和可扩展性。引入有向图的因果网络表示法，提出了特色的逆向推理方法，有效利用了正反例信息来获取任务决策和约束；最后引入增量学习理念，进一步对该学习方法的扩展能力进行了验证和讨论，两部分的仿真实验表明，本文方法在学习效率和扩展能力方面具备一定优势。　　 4．设计了实体机器人平台上的演示学习系统框架和任务方案，进行了两组具有对比性的示例演示，并利用对比学习获取任务决策和约束，最后在类似场景下成功进行了多组任务的演示验证，结果表明本文的对比学习方法是有效性的。　　 一言以概之，本文的对比学习方法在观察模仿模式下取得了成功的验证，开启了演示学习领域新思路，可以扩展到更复杂场景或者其他任务学习过程中，给机器人任务学习提供了有价值的参考。