模仿是人类和动物获得知识和技能的一种重要的学习方式，因此机器人模仿学习的研究是机器人仿生机制研究的一个重要的方面，即机器人通过模仿学习获得新的知识和技能。针对目前模仿学习研究中示教轨迹及示教目的难以获取的问题，本文主要围绕基于轨迹模仿的机器人模仿学习展开研究，具体研究内容如下:　　第一，在详细分析生物模仿学习的结构和机理特性的基础上，给出了具有仿生机制的机器人模仿学习的流程，搭建仿生机器人模仿学习的框架，定义了机器人模仿学习的数学模型，基于数学模型，完成了模仿学习各组成部分的表达。　　第二，基于高斯过程模型的轨迹表达:针对示教过程中，需要从采集的离散状态数据获取示教轨迹的问题，基于高斯过程模型能够从已有的数据中，通过潜在的函数映射推断得到后验数据分布的特点，运用高斯过程实现示教轨迹的表达，以及含有未知策略的模仿轨迹的表达，仿真实验研究结果验证了方法的有效性。　　第三，基于高斯混合模型的优化示教轨迹获取以及示教目的推断:针对示教目的无法获取和示教轨迹有效性问题，基于高斯混合模型(GMM)具有将时间域映射到空间域的特点，提出一种基于GMM和高斯混合回归(GMR)的示教轨迹优化方法。运用基于k均值法和EM算法参数估计的GMM对示教轨迹进行优化，提升优质轨迹权重并剔除劣质轨迹干扰;基于概率密度分析，运用GMR对示教轨迹进行多次迭代逐步缩小目标状态的轨迹范围，进而推测得到示教目的。以机械臂示教轨迹为研究对象进行仿真实验研究，结果验证了基于高斯混合模型的示教轨迹优化算法有效解决了示教目的无法获取和示教轨迹有效性问题。　　第四，基于概率轨迹匹配的机器人模仿学习策略研究与实现:针对模仿学习策略复杂且难以获取的问题，采用RBF神经网络表达模仿学习策略，引入概率模型KL散度作为代价函数，将含有RBF策略的模仿轨迹与已优化的示教轨迹在KL散度条件下进行匹配，从而获得最优模仿学习策略，将其应用于关节型机器人的机械臂摆动模仿学习任务中，进行仿真实验研究。结果表明，基于概率轨迹匹配的机器人模仿学习方法能够实现机器人动作模仿，在处理机械臂摆动等非线性运动过程时较简易，学习速率较快，学习效果也较其他部分方法良好。　　本文研究成果在提高模仿学习系统的通用性和示教轨迹优化等方面具有积极意义，对于机器人轨迹模仿的模仿学习任务具有一定的应用价值。