机器人在生产生活领域的广泛应用,不仅能够帮助人类摆脱繁重、重复及危险的劳动,同时会大大提高任务作业的质量和效率。机器人自主操作操作能力的提升成为目前重要的发展趋势。而复杂任务约束下机械臂的自主操作规划仍是当前该方向研究的难题,现有的操作规划方法面临挑战,亟待突破技术瓶颈。首先,为了解决任务约束被隐式定义,难以直接获取的问题,本文提出了基于二级峰值检测的手部动作序列分割与学习方法。为了从视觉图像获得手部动作序列,本文给出了基于手部空间位姿估计的手部动作序列采集方法。为了从连续的手部动作序列获得仅包含任务过程的子序列,本文给出了基于二级峰值检测的手部动作序列分割方法。为了获得任务约束的参数化描述,本文给出了面向任务约束下机械臂操作规划的手部动作序列学习方法。并通过实验验证了分割方法的有效性。其次,机械臂通过执行操作规划生成的路径完成任务,现有的操作规划方法在任务约束情况下无法兼顾路径质量、规划效率和成功率,本文给出了任务约束下机械臂操作规划方法。为了解决任务约束在构型空间下被隐式描述的问题,本文给出了基于度量学习的任务约束近似模型构建方法。为了在任务约束下提高路径质量、规划效率和成功率,本文提出了基于任务约束近似模型引导的机械臂操作规划方法。最后,验证基于手部动作序列分割与学习的机械臂操作规划方法的有效性,对该方法中的关键环节进行实验验证。实验包括手部动作序列分割与学习实验,评估分割获得的子序列与真实子序列的覆盖率关系;机械臂操作规划实验,统计操作规划的路径质量、规划效率和成功率,并与现有方法进行比较。