针对机器人示教编程过程中使用高斯混合模型(GMM)规划运动轨迹时存在的高斯分布个数难以选择、复现轨迹精度较低等问题,提出了一种复合的机器人运动轨迹学习策略.该策略包含动态时间规整(DTW)算法、高斯混合模型与道格拉斯-普克(DP)算法.首先,针对示教过程中采集的多条轨迹在时间长度上存在差异的问题,采用DTW　算法来统一示教轨迹在时域上的变化.其次,使用　GMM　算法对示教轨迹的特征进行提取,并利用高斯混合回归(GMR)算法将其重构为复现轨迹.在这个过程中采用DP算法来预估GMM算法的关键参数高斯分布的数量,与传统方法相比,能够简单直观地得到相对准确的参数值.利用　DP　算法对复现轨迹的数据点进行稀疏化并优化,不仅确保了机器人最终运动轨迹的精度,而且大幅减少了最终轨迹数据点的数量.最后,进行了不同形状的模拟焊接轨迹学习规划实验.结果表明:经由　DTW　对齐后的示教轨迹具有更加明显的运动特征,经过　GMM-GMR　学习输出的复现轨迹具有良好的表征结果;在使用GMM-GMR算法学习示教轨迹的过程中,采用DP算法可以有效预估高斯分布个数;经过DP算法稀疏化并优化的最终轨迹的平均位置误差均在　0.500　mm以内,其最大误差可以控制在0.800　mm以内,可以满足焊接轨迹规划的精度要求,验证了该策略的有效性和优越性.