动作泛化是机器人被期望具备的功能，要求机器人不仅能重复人类示教的灵巧动作，还可以根据任务目标生成新动作，在小批量、多种类的生产要求下具有广阔的应用场景．针对面向任务需求快速学习和灵活泛化的目标，设计开发了机器人动作泛化框架．首先，进行少量示教，使用概率运动基元(probabilisticmovementprimitives,Pro MP)构建动作的轨迹分布，以较少参数概括示教信息.其次，使用期望最大(expectedmaximum,EM)算法迭代估计模型参数，引入先验信息补充模型以保证稳定性.研究先验信息对泛化效果的影响，确定了合适的先验参数；研究傅里叶基函数对周期轨迹的拟合效果，提出轨迹分割与滤波方法以保证拟合精确平滑.利用模型的概率分布性质，将动作的概率范围收缩到特定位置，并进行整条轨迹的时间尺度缩放与空间位置变换，生成符合泛化要求的轨迹．最后，搭建了一个六自由度机器人喷涂场景进行动作泛化实验．结果表明：该框架能够快速生成多种泛化轨迹．单自由度轨迹学习平均消耗1.924 s，轨迹生成平均需0.004 s；六自由度轨迹学习平均消耗35.608 s，轨迹生成平均需0.011 s.