在变品种批量生产模式下,同种系列产品多采用变形设计,其零件也具有一定的重复性和相似性,在零件下料环节中排样任务也具有一定的相似性。在零件相似的前提下,可对前后任务中的排样经验知识进行一定程度的迁移和复用。在排样知识复用之前,首先要识别排样零件并对其相似性进行度量。本文主要研究二维零件的形状相似性度量方法,最后通过对排样零件进行形状匹配和相似性度量,实现了排样知识获取以及排样任务可复用性评价,为排样知识的迁移和复用奠定了基础,主要研究内容如下:首先采用改进形状上下文实现了二维形状相似性间接度量,在原形状上下文的基础上做出了两点改进措施:通过极轴方向修正使算法具有旋转不变性;通过计算轮廓采样点处的灰度梯度切向角,增强了算法对局部形状特征的获取能力。改进形状上下文与原来相比具有更高的准确度,而且在通用形状数据集的检索测试中与其它算法相比表现更优。针对间接度量方法在直观性和度量精度等方面的不足,建立了孪生神经网络模型对二维形状相似性进行直接度量。在读取图片时,根据图形主轴方向对其旋转角度进行修正,增强了模型的旋转不变性;采用了基于多边形顶点坐标的形状生成器来构建训练数据集,提升了数据集的构建效率和样本多样性。经过训练之后,孪生神经网络模型在多边形数据集上的检索精度超过改进形状上下文,同时该模型也具有较强的泛化能力。最后采用改进形状上下文将排样图中的零件与数据库中的零件进行形状匹配,实现了排样图中的零件信息识别,在此基础上进一步实现了零件排入顺序以及旋转角度等排样知识的获取。基于孪生神经网络模型的相似性度量方法,针对排样任务中的重复零件和相似零件,分别定义了排样任务重复度和排样任务相似度两个评价指标,并基于这两个评价指标提出了排样任务可复用性的综合评价方法,为排样知识的迁移和复用提供了参考依据。