演示学习（Learning from Demonstration,LfD）是一种通过人机互动、演示,将人的技能传授给机器人的技术,涉及人机交互、机器学习、机器视觉和运动控制等诸多机器人相关领域的重要研究方向。相比于单纯的预编程机器人,演示学习提供了非常灵活的机器人编程手段。当人机协作时,环境的复杂性与变换性,要求机器人不仅要学会复现人所赋予的技能或任务,还要有能力去学习适应新的环境并执行任务。因此,从运动复杂性和环境不确定性出发,研究演示学习自适应改进策略具有重要意义。高斯混合模型/高斯混合回归（Gaussian Mixture Model/Gaussian Mixture Regression,GMM/GMR）是一种有效的演示学习算法,由于它具有克服多重演示轨迹中的不确定性,减小不良演示所引起的影响等优点,本文以GMM/GMR为基础,分别提出可适用于多种类型轨迹建模和具有自学习能力（面对新的障碍物时）的自适应改进策略。首先,面向运动复杂性,本文从轨迹建模的通用性出发,提出的GMM/GMR改进策略不仅能实现非周期运动建模,还可对周期和准周期运动进行建模。由于周期运动具有强烈的时空相关性,故引入辅助算法解决时空解耦问题使GMM/GMR能够描述周期运动。而准周期运动是一种蕴含着周期特性,而且包络形状还受非周期分量影响的运动。故本文提出一算法框架实现对准周期运动的分解、建模与合成,其流程大致为:提出等效模型,将准周期运动分解成易于建模的非周期分量和周期分量,对各分量分别建模以及将各分量合成一准周期运动。然后,面向环境的不确定性,本文从运动的自适应调节能力出发,提出了基于演示学习的运动自适应调节方法。当机器人在动态环境中与人类一起承担协作角色时,他们必须有能力学习和执行新的行为来达到期望任务。本文中新的障碍物（未在示教过程中出现过）作为环境的不确定性,故该算法以避开障碍物完成原任务为目的。算法流程大致为:学习运动分布,重采样,数据分割与重组,重规划以及根据最优策略选择最合适的轨迹。最后,为了验证本文提出的改进策略的正确性与有效性,不仅基于MATLAB仿真环境进行了初步验证,还基于ABB IRB1200机器人进行了实物实验。实验结果均证明了本文提出的改进策略的准确性与有效性。