对于卫星舱等复杂布局设计问题，基于人机结合的演化(遗传)算法是一种有效的方法。从2-D先验知识布局方案图获得其数值解，用以作为演化算法的初始种群个体，以及在演化过程中替代适应度较差的个体，是使该算法性能提高的一个重要手段。在布局设计过程中，所有部件被简化为2-D圆与矩形待布物。其先验知识布局图的数值解检测时，是利用圆的解析性基于广义Hough变换检测出圆参数，并在每一次检测出的圆时对其像素点进行剔除，以提高其检测效率。但由于受检测精度的限制，致使相邻矩形边缘残缺而产生漏检测。另外，如果布局方案中矩形之间存在少量重叠时，容易产生误检问题。目前已有的算法对上述两个问题还没有得到很好的解决。因此，本文针对卫星舱的先验布局知识图检测问题为背景，研究聚类和基于学习的神经网络方法，其主要工作和创新点如下：1、针对卫星舱先验布局方案知识图残缺矩形的检测问题，给出了一种基于改进k-means聚类的矩形检测方法。首先利用本文提出的改进k-means算法进行聚类，本文改进的k-means算法，是通过确定一个矩形，使得数据集合中的所有数据点都落在矩形内或矩形边界上，并将该矩形分割成相同尺寸的k个小矩形，计算落入每个小矩形内或边界的数据点的平均值，把计算出的平均值作为初始化中心值，再根据簇内距离与簇间距离比值最小的方式得到最佳聚类数目k；然后根据聚类结果，寻找每个类簇的最大值和最小值，并利用该最大值和最小值初始化神经元权值，避免了随机初始化导致竞争失败的情况，减少了计算量；2、针对卫星舱先验布局方案知识图相交矩形的检测问题，给出了一种基于投影聚类的矩形检测算法。首先基于本文提出的基于投影的聚类方法进行聚类，该聚类方法不需要预先设定k值，对数据对象的输入顺序不敏感，并且需要的存储空间较小；然后根据聚类结果，利用基于神经网络的检测方法进行矩形检测，最后利用证据积累机制确认真矩形，提高了算法的鲁棒性。本文是以卫星舱先验布局方案知识图检测为背景，并将神经网络知识应用到圆与矩形混合布局知识图检测问题当中。同时也希望本文提出的方法在其它领域也能发挥一定的作用。