设计固化(design fixation)是指在设计过程中对一组想法或概念的盲目遵从,主要表现为不同设计方案中反复出现某些元素或特征。如今社会各界越来越重视创新设计,而设计固化正是阻碍创新的主要因素之一,因此越来越多的研究人员对设计固化展开了研究。其中,有研究表明当固化刚出现时,如果能及时地给予刺激进行启发,就可以有效地降低固化效应的负面影响。然而,对于如何识别固化这一问题目前仍有待研究,缺少能够快速识别设计固化的方法和工具。近年来人工智能技术日趋成熟,已被广泛应用于各领域,尤其是在计算机视觉方面取得了不俗的成就。结合人工智能的行为分析方法为解决设计固化识别问题提供了新的途径。本文从设计师在概念设计阶段的体态语言出发,设计并开展实验研究,通过设计师绘制的方案草图评估其自身的思维固化程度。以体态语言与固化程度之间的关系为切入点,基于机器学习来研究固化的识别方法,并设计开发了固化识别系统,通过设计案例验证了该方法和系统的可行性。本文主要研究内容如下:首先,开展了设计活动的体态语言研究,基于固化研究实验的范式和任务,采集了12位被试的设计行为录像以及设计方案草图,建立了包含8种体态语言的设计行为谱,用于后续的分析以及行为识别模型的训练。其次,研究了固化程度对设计行为的影响,对经典固化评价方法做出改良,通过评价实验获得了各设计方案的固化程度评分。利用方差分析证明了在不同固化水平下,“画图”、“动眼”和“转头”这三种体态语言的出现频次有显著差异,并且通过皮尔森相关性分析进一步证明了这三种体态语言与固化程度有显著相关性,为后续固化识别系统的开发提供了理论依据。然后,采用VGG16深度卷积神经网络,建立了基于机器视觉的设计固化行为识别模型,能够准确识别三种与设计固化相关的体态语言,准确率达到86.88%。进而,利用支持向量机,构建了基于行为统计的设计固化识别模型,能根据设计过程中各行为的频次判断设计师是否处于固化状态,准确率达到72.31%。最后,利用Python语言开发了固化识别系统的原型,基于上述两个模型实现了固化识别以及固化提醒的功能。在此基础上,通过设计案例验证了设计固化识别方法以及系统的可行性。