本文提出了一种用于联机手绘图形的自适应隐马尔科夫模型识别方法，该方法利用隐马尔可夫模型(HMM)对时序随机序列的描述能力作为手绘图形识别中的核心分类器，并且在传统HMM识别结构的基础上进行了改进，使得识别系统不仅具有自适应学习训练样本的能力，而且具有根据输入图形特征调节系统行为的能力。为了使原始的手绘图形数据能够用于进行HMM识别，本文中设计了有效的预处理算法用于去除噪声和规范化手绘图形数据，同时根据HMM的特点选择了一组特征用于进行训练和识别，并设计了相应的特征提取算法。为了使识别系统能够更好的适应输入图形的变化，本文提出了一种AHMM识别结构，利用基于单边积分的特征压缩算法和自适应压缩率调整技术构造了一种闭环反馈识别系统，既能够根据图形的几何特征自适应的压缩特征向量，又能够通过闭环反馈调整特征向量压缩率，达到了很好的识别效果。为了进一步提高识别速度，满足联机识别中实时性的要求，本文在AHMM的基础上同时提出了一种双层自适应识别模型（BL-AHMM），通过预分类来减小识别空间，提高了系统识别速度并同时提高了识别率。类似于其他的梯度下降学习算法，在HMM训练过程中不可避免的存在局部最优以及对初始参数敏感的问题。为了减小这些问题对识别系统的影响，本文同时提出了一种GA-HMM训练模型，通过在HMM训练过程中引入遗传算法来寻找全局最优，改善了HMM训练效果，从而提高了系统的识别性能。文中通过大量的试验证明了采用GA-HMM训练的BL-AHMM自适应模型的有效性和其相对传统HMM识别模型的优越性。