机器人技术中的许多经典问题都有公认的算法解决方案,不需要学习,比如跟踪、同步定位和映射、逆运动学、路径规划和最优控制等。这类方法结合起来解决工厂等受控环境中的问题,但未能为非结构化动态环境中的任务提供稳健的解决方案。近年来,机器学习的发展已经开始通过机器人从自己的行为、经验和与人类的互动中学习来解决这些具有挑战性的问题,从而在不确定、新颖和不断变化的情况下提供适应性。本文主要采用模仿学习方法针对机器人技巧学习领域中的位置技巧和轨迹技巧展开研究。首先,对于位置技巧学习问题,本文介绍了高斯混合回归（GMR）和核化运动基元（KMP）算法。高斯混合回归（GMR）算法采用高斯混合模型（GMM）对示教数据建立概率模型,将GMM联合概率密度的条件分布作为机器人学到的位置技巧;与传统的技巧学习方法相比,KMP算法在预测中显性的引入样本轨迹的方差,并且可以预测多输出变量对应的协方差。其次,对于轨迹技巧学习问题,本文提出了四元数空间的动态运动基元算法。传统的动态运动基元算法只能学习位置技巧。本文通过引入四元数流形,将该算法推广到四元数空间,并且利用笛卡尔积的组合,使得该算法能够同步学习示教样本的位置特征和姿态特征。随后,本文引入任务参数化的处理方式,使得技能学习算法能够在远离示教的区域处理外插问题。最后,本文搭建了机器人操作技能学习的实验平台,分别对两类技巧学习问题的解决方法进行了实验验证,并分析实验结果。本文对比在视觉示教时样本轨迹稀疏的情况下GMR算法和KMP算法的优劣。GMR算法拟合出的示教轨迹带有原始轨迹的不确定性;KMP算法在预测中显性的引入样本轨迹的方差,拟合出的轨迹更为平滑。随后,配合动态运动基元算法完成了轴孔装配的验证实验。在验证轨迹学习算法时,本文采用拖动示教收集示教数据,建立了四元数空间的动态运动基元算法模型,最后通过任务参数化方法完成轨迹技巧的泛化。实验表明,技巧学习模型在示教点和测试点都能够完成示教动作,证明了该算法在同步学习位置特征和姿态特征时仍具备良好的复现和泛化能力。