机器人示教学习是机器人操作技能学习的一种方式。未来,机器人将成为人类社会生活不可缺少的一部分,机器人也将会被要求完成难度更高的任务,使用传统的示教编程方法将会极大地增加机器人工程师工作负担。为了提高机器人在复杂任务场景下的适应能力,减少机器人工程师的手动编程的工作量,需要机器人具有自我学习能力,能够从任务示教的过程中学习任务技能与动作技巧,并将其推广到新的任务场景。本文主要针对机器人示教学习领域中基于轨迹层次与语义层次的机器人示教学习方法展开了研究。首先,介绍了动态运动基元方法以及两种动态运动基元泛化方法,针对已有几种基于轨迹层次的机器人示教学习方法泛化性能较差以及计算效率不高等方面的缺点,提出了一种基于任务参数加权的动态运动基元泛化方法,能够使机器人同时对工作空间内的多条示教运动的特征进行学习,并能够将学习到的特征在新的任务场景进行泛化。其次,针对已有基于语义层次的机器人示教学习方法对于空间中具有仿射变换关系运动轨迹的相似度度量不具有不变性的缺点,在GMCC方法的基础上提出了一种具有仿射不变性的运动轨迹相似度度量算法,能够对包括平移变换在内的仿射变换都具有不变性。最后,搭建了机器人示教学习的实验平台,分别对提出的两种机器人示教学习方法进行了实验验证,并对实验结果进行了分析。对于提出的基于任务参数加权的动态运动基元方法,使用动觉示教的示教方式获取了示教运动轨迹数据,分别使用本文提出的方法与另外两种基于动态运动基元的泛化方法处理数据,建立了示教模型,主要分析了三种方法的泛化性能与计算效率,通过对比分析实验结果可知,提出的方法在示教任务参数附近的泛化性能要优于另外两种方法,计算效率大幅提升。对于提出的一种具有仿射不变性的运动轨迹相似度度量算法,首先使用本提出的方法对一条平移变换前后的运动轨迹进行相似度度量,证明了该方法的平移不变性;然后从数学理论层次对该方法的取值范围进行了证明,有利于衡量两条运动轨迹之间的相似度;最后使用运动捕捉系统采集了多条示教运动轨迹,分别将该方法与GMCC方法同KNN算法结合用于动作分类,对实验结果分析分析可知,相比于GMCC方法,该方法的动作分类正确率明显提升。