手写图表是人类一种自然而直接的跨语言、跨文化、跨时代的交流方式，也是一种设计表达的基本手段。本文以在线手写输入电路图为特征研究对象，以隐马尔科夫模型（Hidden Markov Model，简称HMM）为背景算法，以实现草图识别的自适应性为目标，提出一种基于空间几何特征的手绘图表笔划分割方法，从笔序角度研究在线手写图表的语义理解，并实现一个基于面向对象构思的在线手写图表的笔划分割和识别软件系统。手写图表与印刷体图形有很大的区别，印刷体图形的特点是标准化，所以印刷体图形能用一个标准的公用模版进行识别。而手写图形的随意性很大，不规则性强，从而大大增加它的识别难度。手写图表识别的难易程度取决于与输入者的绘图自由度，对输入的限制越多，草图越容易被识别，因此，人机交互的手写图表识别需要在用户绘制草图的自由度和识别难度之间找到平衡点。如何在保证用户输入自由度的前提下设计出高效的手写图表识别方法，是手写图表的关键技术。本文是以此关键技术为主线展开研究．并取得以下研究成果： （1）提出可比性强的手写输入数据规范化方法。针对在线图形输入时存在的书写压力、书写速度或各种输入仪器的偏差等各种不可预测的不均衡现象，提出等距离法重采样法、基于最小单元（Unit-based）的重采样法的数据标准化处理方法，从而使大小、类型各不相同的手写图表具有可比性。 （2）构建基于隐马尔科夫模型理论（HMM）的手写图表笔画分割识别模型。针对手写图表的随意性和不可预测性，利用HMM的时序特性进行笔画特征分割与语义识别，并用相同的特征模型与支持向量机、神经网络等其他机器学习方法比较。 本论文具有以下创新点： （1）针对网络类手绘草图书写随意性、不确定性特征，提出基于8个角度方向、9种状态的空间子模版匹配映射识别方法，解决语义模糊的手绘图形与计算机识别的映射关系。 （2）在引入隐马尔科夫模型进行语义理解的同时，提出一种基于概率密度组合法，解决多维向量特征与特征状态单元的对照映射问题，实现隐马尔科夫模型对多维特征的结果逼近方法。 通过300个电路图样本的实验结果表明：此方法识别率达到92%，能很好的解决多笔画图表的元件分割问题。同时，该方法能大大减少训练时间和训练样本。