Programming a complex robot is difficult, time-consuming and expensive. Learning from Demonstration (LfD) is a methodology where a teacher demonst--rates a task and the robot learns to execute the task. This thesis presents a method which generates reactive robot behaviour learned from demonstration where sequences of action are implicitly coded in a rule-based manner. It also presents a novel approach to find behaviour hierarchy among behaviours of a demonstration.In the thesis, the system learns the activation rule of primitives as well as the association that should be performed between sensor and motor primitives. In order to do so, we use the Playful programming language which is based on the reactive programming paradigm. The underlying rule for the activation of associations is learned using a neural network from demonstrated data. Behaviour hierarchy among different sensor-motor associations is learnt using heuristic logic minimization technique called espresso algorithm. Once relationship among the associations is learnt, all the logical relationships are used to generate a hierarchical tree of behaviours using a novel approach that is proposed in the thesis. This allows us to represent the behaviour in hierarchical way as a set of associations between sensor and motor primitives in a readable script which is deployed on Playful.The method is tested on a simulation by varying the number of targets, showing that the system learns underlying rules for sensor-motor association providing high F1-score for each association. It is also shown by changing the complexity of simulation that the system generalises the solution and the knowledge learnt from a sensor-motor association is transferable with all the instances of that association. / Att programmera en komplex robot är svårt, tidskrävande och dyrt. Learning from Demonstration (LfD) är en metod där en lärare visar en uppgift och roboten lär sig att utföra uppgiften. Denna avhandling presenterar en metod som genererar reaktivt robotbeteende lärt från demonstration där handlingssek--venser implicit kodas på ett regelbaserat sätt. Den presenterar också ett nytt tillvägagån- -gssätt för att hitta beteendeshierarki bland beteenden i en demonstration.I avhandlingen lär sig systemet aktiveringsregeln för primitiva såväl som sambandet som ska utföras mellan sensor och motor primitives. För att göra det använder vi det lekfulla programmeringsspråket som bygger på reaktivt programmeringsparadigm. Den underliggande regeln för aktivering av föreningar lärs med hjälp av ett neuralt nätverk från demonstrerade data. Beteendeshierarki mellan olika sensor-motorföreningar lärs med hjälp av heuristisk logikminimeringsteknik som kallas espressoalgoritm. När förhållandet mellan föreningarna har lärt sig används alla logiska förhållanden för att generera ett hierarkiskt beteendeträd med den nya metoden som föreslås i avhandlingen. Detta gör att vi kan representera beteendet på hierarkiskt sätt som en uppsättning associeringar mellan sensor och motorprimitiv i ett läsbart skript som används på lekfull.Metoden testas på en simulering genom att variera antalet mål, vilket visar att systemet lär sig underliggande regler för sensor-motorassociation som ger hög F1-poäng för varje association. Det visas också genom att ändra komplexiteten i simuleringen att systemet generaliserar lösningen och kunskapen som lärts från en sensor-motorförening är överförbar med alla förekomster av den associeringen.