在图像识别系统中，为了抽取更高层次的信息用于进一步的分析和检测，常需从图像中寻找具体的物体对象或者感兴趣的区域。矩形作为最常见的人工图形之一，对它的检测有着广泛应用。矩形检测可以用于机动车牌识别等计算机视觉领域中，也可以用于从卫星遥感图像中提取建筑物等军事应用中，还可以是在低温电子显微镜下检测矩形粒子等科研活动。矩形出现的场景可能有门、窗、海报以及交通等标识，它们可以用作机器人的定位地标，对其精确检测可以使机器人在估计自己位置时降低不确定性的范围。　　提出了一种基于谱聚类和遗传算法的矩形检测的方法（SCGA，Spectral-Clustering-Genetic-Algorithm）。该方法试图寻找图像中矩形四个顶点的最佳集合。方法首先对图像进行边缘检测，得到边缘图像；然后对边缘图像应用直线检测，得到图像中所有的直线段；最后对由直线段组成的图像进行拐点检测，获得潜在可能的矩形顶点。SCGA中的遗传个体由四个基因组成，每个基因代表矩形的一个顶点，通过评估四个顶点之间线段的存在性和每个顶角接近90°的程度来评估个体的适应度。选择适用度高的个体进行交叉和变异操作来产生下一代的个体，通过多次选择、交叉和变异操作获得最优解。为了能够检测多个矩形，在遗传算法开始迭代之前，利用谱聚类计算出图像中所包含的矩形个数，然后为每个矩形生成初始群体。虽然本方法对图像进行了多种预处理，但其作用仅限于缩减搜索空间，加快收敛速度，不同的预处理只会引起效率不同，不会影响检测的正确性，所以本方法对选用何种预处理算法及其参数并不敏感。　　在测试环节，从检测效率与稳定性、对图像预处理敏感性、多矩形识别能力、抗干扰四个方面对所提方法进行了测试。在抗干扰测试中，和一种工程上主流的基于轮廓检测的矩形检测算法作了对比。结果表明，该方法具有高效、稳定、对预处理不敏感以及抗干扰的优点。