面向任务的移动机器人自主规划在真实的应用环境中经常会面临部分可观察环境下的信息缺失、多任务处理的效率低下、任务执行过程中发生异常等挑战和困难。尽管当前在人工智能领域的自主规划和机器人领域的运动规划方面，各自的研究都已经取得了很好的成果，但是面向复杂任务的，并且可以在真实机器人系统上应用的自主规划研究却还少有涉及。针对这些挑战和困难，本文对面向任务的移动机器人自主规划方法开展研究，提出了基于HTN(分层任务网络:Hierarchical Task Network)和记忆认知的自主规划方法。　　首先，对传统的HTN模型进行扩展，建立了真实环境下机器人任务自主规划的模型，该模型可以对多任务并行处理和对规划的执行监控进行描述，并建立了基于认知的机器人规划与控制的框架，该框架是一个兼备慎思和反应的混合范式框架，在保证了机器人控制的实时性的基础上提高了机器人处理复杂任务的智能水平。同时，为了验证和测试该框架的可行性和相关自主规划方法的先进性，基于ROS(机器人操作系统:RobotOperating System)平台对两个自主研发的移动机器人实验系统进行了自主移动和自主抓取的研究。　　为了解决不可观察环境下机器人自主规划的信息不完整问题，提出了基于机器人记忆的自主规划方法，通过建立模拟人类记忆结构的基于语义的机器人记忆库，机器人可以自主生成规划问题，并主动获取规划所需的状态信息，在信息缺失的情况下，基于记忆的推理方法可以预测未知的状态，从而确保规划顺利进行并提高机器人在部分可观察环境下的鲁棒性。　　而在多任务规划方面，提出了基于统筹策略的多任务并行处理的规划方法。通过对具有独立关系和允许关系的活动进行优化选择，将多任务规划并行化为一个由可以并行执行的活动团构成的规划解，从而机器人可以通过并行处理多个不同的活动来提高多任务处理的效率。　　最后，为了检测和解决机器人任务执行过程中发生的异常，提出基于保护状态监控的在线规划方法，通过对保护状态的实时监控，可以及时检测异常事件的发生，并采用基于局部回溯的再规划方法来恢复机器人的工作，提高机器人处理动态环境下任务执行的能力和效率。　　除此之外，全文还通过多个不同的机器人实体和仿真实验，从不同角度验证和测试了本文提出的方法在处理部分可观察环境下的规划、多任务规划和动态环境下的在线规划的可行性和先进性，以及机器人实验平台的可扩展性。