赋予机器人像人类和其他生物一样模仿学习的能力，能够有效地解决机器人运动技能获取的问题，提高机器人的学习效率和自适应能力，是机器人仿生研究的一个重要研究方向，机器人可以通过模仿学习提高自身的智能化程度。　　本文在分析了国内外机器人模仿学习发展现状的基础上，围绕机器人模仿学学习的学习策略获取问题展开研究，具体的研究工作分为以下几个方面:　　(1)基于高斯过程回归的机器人模仿学习研究与实现　　根据生物学领域对模仿学习的定义，分析了机器人模仿学习的基本步骤。采用贝叶斯框架下的高斯过程回归模型作为机器人模仿学习控制策略的获取方法。基于机器人仿生行为研究的经典对象模型Braitenberg车搭建了模仿学习系统，通过传感器的灵活配置，体现不同的示教行为，实现不同程度的模仿学习任务，分别基于Braitenberg车的趋光单任务以及趋光、避障多任务进行仿真实验研究，验证了方法的有效性。　　(2)基于复合协方差函数的机器人多任务模仿学习的实现　　针对基于单一协方差函数的高斯过程模仿学习算法不能实现多任务模仿学习的问题，在基于分析协方差基本运算规则的基础上，构建了能够表达兼具平方指数特征和线性特征数据的复合协方差函数，并将其应用到基于高斯过程回归的机器人模仿学习算法中，仿真实验研究表明，基于复合协方差函数的机器人模仿学习算法既能实现单任务模仿学习，又能实现多任务模仿学习。　　(3)基于MCMC参数估计的模仿学习算法的实现　　针对高斯回归模型中采用极大似然法在进行超参数寻优的过程中极大依赖初值，容易陷入局部最优的问题，引入马尔科夫链蒙特卡洛(MCMC)方法对超参数进行优化，通过生成马尔科夫链对模型空间进行探索，成功避免了局部最优和对初值依赖的问题。仿真实验研究验证了算法的有效性，同时采用MCMC方法能够在一定程度上提高模仿学习精度。　　(4)基于稀疏伪输入算法的复杂任务模仿学习的实现　　针对高斯过程回归方法在大样本情况下的计算复杂度高、计算资源消耗严重的问题，引入基于稀疏伪输入的高斯过程回归方法，通过对高斯过程回归模型中导致计算复杂度高的协方差矩阵进行降秩近似运算，大大降低了计算复杂度。仿真实验研究验证了算法在保证模仿学习算法的学习精度没有太大损失的情况下能够有效提高模仿学习效率。　　本文的研究工作对仿生机器人模仿学习的策略获取研究具有一定的参考价值。