El proyecto de grado titulado Aprendizaje de movimientos en un robot humanoide por medio de imitacion implementa algoritmos de aprendizaje supervisado, proporcionando a un robot la capacidad de identificar movimientos realizado en las extremidades superiores por una persona y replicarlos. Se evalua, ademas, el desempeno cuantitativo de las arquitecturas implementadas. Para desarrollar el aprendizaje de movimientos se selecciona una plataforma robotica llamada Poppy Torso, correspondiente a un proyecto de codigo abierto. Se construye este robot por medio de impresion 3D de las piezas y su posterior ensamblaje. Dicho desarrollo contiene ademas la descripcion virtual del robot, lo cual permite realizar simulacion en herramientas como Rviz. El desarrollo del proyecto se divide en dos etapas: la primera de ellas consiste en lograr la clasificacion de los movimientos humanos. Por esta razon, se crea un dataset de videos RGB-D (RGB mas profundidad), que contiene movimientos de las extremidades superiores, realizados por un grupo de personas con caracteristicas diferentes. Empleando un modelo extractor de poses, se extrae la ubicacion espacial de las articulaciones, que sirve como entrada a una red neuronal recurrente (RNN-many to one) y una SVM (Support Vector Machine). Se evalua el desempeno de estos algoritmos por medio de matrices de confusion. La segunda etapa consiste en un problema de regresion que se basa en replicar la ejecucion del movimiento en el robot. Debido a esto, se crea un dataset que contiene las trayectorias de angulos que toma cada motor, para que el robot desplace sus articulaciones de un punto aleatorio a uno definido. Para el aprendizaje supervisado se implementa una red neuronal recurrente (RNN-one to many), capaz de predecir las trayectorias de cada una de las articulaciones del robot para llegar a un punto objetivo. Los algoritmos de clasificacion se evaluan por medio de matrices de confusion, donde se obtienen precisiones de 97\% en el caso de la SVM y 92% para la RNN. Por otro lado, el algoritmo de regresion se evalua con error de posicion final, donde se obtienen errores entre 9.32 x 10^(-8) y 4.21x 10^(-3) radianes respecto a la posicion objetivo. Por el valor de estas metricas y el comportamiento de los algoritmos al predecir, se puede concluir que el aprendizaje en los algoritmos de clasificacion y regresion se desarrolla adecuadamente, cumpliendo con los objetivos propuestos.