为了利用机器人代替人类完成复杂的生产生活任务,工业上通常要求机器人在运动规划层面具有较高地适应性和可靠性。传统的运动规划方法存在收敛速度慢、容易陷入局部最优解状态等缺点,相比之下,示教学习的方法可以赋予机器人“仿人”的特性,能够直观方便的让机器人去模仿并复现示教得到的轨迹,以一种高效、合理的方式完成任务要求,同时可以在原始示教轨迹的基础上泛化,从而产生能够适应新环境的轨迹。然而实际任务环境并非一成不变的,在非结构化的环境中如何使机器人具备一定的避障能力,同时保持示教学习方法的优点,是近年来轨迹规划研究的热点问题。本文在典型的示教学习方法——动态运动基元算法的基础上,结合环境中不同运动状态的障碍物信息,因地制宜提出了有效躲避障碍物并完成示教泛化运动规划的方法。首先,结合静态障碍物的几何信息提出了一种静态椭形偏置避障方法。根据障碍物外形特征采用归一化的椭圆（椭球）描述方法,并结合动态运动基元（DMPs）在泛化过程中轨迹进行位置自动调整,从而实现有效得避障。分析了该避障方法对示教学习特征的保持与特性的继承效果,对其局部存在的轨迹不平滑问题提出了一种五次多项式插值生成过渡曲线的方法进行优化,并与传统平滑算法进行对比,仿真验证了其有效性。其次,针对移动障碍物的环境分别提出了基于移动障碍物危险带偏置的避障方法以及基于DMPs与改进DWA结合的避障方法。前者利用矩形危险带（危险区域）来归一化描述障碍物的运动,按照一定的偏置原则生成避障轨迹并采用PD追踪收敛于目标点;后者通过改进动态窗口法（DWA）使其适应移动障碍物的场景,并嵌入到示教学习DMPs框架中使其具备示教方法的优点。分析并对比两种方法的避障效果,分别探讨了各自的适应环境。最后,在仿真环境和实体平台中设置了不同的示教任务模型令机器人泛化并执行。在Pybullet仿真引擎中进行避障轨迹生成的验证。搭建了物理实验平台,实现了仿真与实体机械臂的通讯,从而保证算法执行的安全性。设计桌面倒水、平面字母书写、空间字母轨迹等示教运动任务,并通过在任务场景中设置不同运动状态的障碍物进行实验,证明了所提出的避障算法在不同场合的有效性和可行性。