针对服务机器人自主操作任务和人机交互任务,示范学习（Learning by Demonstration,Lb D）是一种通过模仿给定专家演示数据学习得到操作技能的策略,可以使得机器人在非结构化环境中具有复现任务的能力。本文以轨迹的动态运动基元与交互概率运动基元的学习与泛化再现为主,深入研究了基于任务层次化分解思路的机器人示范学习与系统设计技术,并基于Kinect RGB-D传感器和UR5机械臂搭建了层次化示范学习系统,验证机器人典型自主操作与人机交互任务的动作轨迹泛化与任务复现能力。本文针对Lb D自主操作任务与人机协作任务分别设计自主行为复现模式与交互协作复现模式,将典型任务集合分解为动作基元集合,根据机器人是否与人交互的属性将动作分为自主动作基元与交互动作基元。首先,根据直接示教或者间接示教为动作基元采集原始示教轨迹,利用高斯滤波、高斯混合模型与高斯混合回归消除轨迹噪声以获取最优参考轨迹用于机器人模仿学习。然后,针对自主动作基元,采用动态运动基元模型学习单例参考轨迹实现轨迹泛化,而对于受任务参数或环境因素影响的自主动作基元,利用动态运动基元参数化模型学习多演示轨迹,以增强对任务参数或环境因素的泛化能力。针对交互动作基元,为使得机器人对观测到的人的部分运动轨迹实时响应,采用交互概率运动基元模型学习人机交互多演示轨迹,并扩展了三种相位估计方案:基于高斯分布、均匀分布与最小距离的相位估计,结合动作识别预测交互动作后验人机交互轨迹;对于受环境影响的交互动作,设计环境自适应交互概率运动基元模型学习与环境相关的交互动作多演示轨迹,并提出单轴等间距插值相位估计策略,增强环境泛化能力;最后,两种动作基元均进行仿真实验以验证模型泛化能力。本文根据上述研究内容搭建层次化示范学习系统,设计轨迹采集与预处理、动作基元学习与泛化、操作任务复现等功能模块,并开发功能软件与应用接口;针对两种工作模式下的多种任务,开展实际场景下UR5机器人复现实验;通过对一系列任务执行结果分析,验证了本文动作基元模仿学习技术可行性与应用软件开发实用性。