CAD技术由于其简单快捷、存储方便等诸多优点使得它在众多领域的设计中有着不可替代的作用,它能够大大提高设计质量、缩短设计周期、共享设备资源和增强数据处理能力。但是它主要应用于设计的后期阶段,对于设计过程中的灵感捕捉,思维探索帮助不大,不能满足设计早期阶段的需要。但纸上草图也有它自身的缺陷,缺少“设计记忆”,对设计方案难以存储、整理、搜索和重用,尤其缺少有效的互动交互性能。因此研究能够将纸笔的手绘草图和计算机结合起来的设计工具是设计师们所希望的,具有十分重要的意义。电路图设计在CAD技术中是一个非常重要的领域。本文针对CAD技术的缺陷,对手绘电气草图在线识别技术进行了深入研究。并对手绘电气草图在线识别的关键部分做了探讨和实验。本文工作主要如下：1.研究了面向RBF神经网络分类器的手绘电气草图两级特征的选择和提取方法,定义了手绘电气草图的结构特征和关系特征,并将其应用到手绘电气草图的特征提取当中。特征的提取和选择是手绘电气草图识别中最关键的部分,特征提取的好坏将直接影响识别效果。本文采用最佳逼近能力的RBF神经网络对手绘电气草图进行在线识别。所以选择类间距离大,而类内方差小的特征能够取得很好的识别效果。本文对手绘电气符号的结构进行仔细观察分析,发现了面向RBF神经网络分类器的手绘电气草图的不变性可分性特点即手绘电气草图由一些基本笔划顺次构成且这些基本笔划之间存在着一定的约束关系；并将顺次构成手绘电气草图的基本笔划特征定义为结构特征,将构成手绘电气草图的这些基本笔划之间的约束关系定义为关系特征。将结构特征作为分类识别系统中的一级特征,专门预留0或1开头的两位十进制数作为其编码；将关系特征作为分类识别系统中的二级特征,专门预留2或3开头的两位十进制数作为其编码。并相应给出结构特征和关系特征的提取算法。2.改进了RBF神经网络的中心学习方法。常用的RBF神经网络聚类算法的中心学习一般使用K均值算法,这种方法对初始聚类中心敏感,使得算法结果不够精确,甚至无法收敛。本文提出的改进学习方法能够克服上述提到的缺点,并能充分利用了训练样本信息,有效降低了孤立点对聚类效果的影响和提高聚类效率。3.提出了一种用RBF神经网络组成的特殊的两级串联的分类系统。在模式识别中分类器的设计也是非常关键的技术。本文通过对多级分类器集成技术的分析,提出了一种用RBF神经网络组成的特殊的两级串联的分类系统。两级分类器均采用RBF神经网络。第一级分类器用作预分类,第二级分类器用作细分类。预分类采用一个RBF神经网络,用一级特征作为预分类的输入特征向量；细分类采用三个RBF神经网络,用二级特征作为细分类的输入特征向量。并通过实验验证了这种分类系统的有效性。