计算机技术的发展方向是使人类在计算机环境下能自然而流畅地表达概念，迅捷地传递思想，并以符合人的感知和认知过程的方式对概念进行加工，逐步实现从人类利用计算机只能以定量计算为主的结果中得到启发的“机器为中心”模式，向有可能从定性和定量综合集成的多维化信息环境中得到感性和理性认识的“用户为中心”模式转变。这种转变的核心基础就是要建立与人类思维过程趋同而更加自然和友好的人机交互环境。多媒体、多通道支撑下的感知用户界面(PerceptualUserInterface)是实现上述目标的主要途径，而模拟“纸笔模式”的笔式交互(Pen-basedInterface/PenComputing)以其易用、自然、高效和利于创造性思维等特性成为感知用户界面中不可缺少的部分，是目前人机交互技术(Human-ComputerInteraction，HCI)中一个重要的研究课题。 笔式交互技术的核心是草图理解，即捕捉和识别用户的输入意图。草图理解的关键是允许用户按其习惯方式输入图形，即草图理解的用户适应性。这是笔式交互技术得以发展并成为实用工具的关键技术。本文以支持UML构思设计的图形输入为背景，以实现草图理解的智能化和自适应性为目标，以人工智能和机器学习为手段，对草图理解中的用户适应性问题进行了深入的研究和实验，设计并实现了一个自适应草图理解解决方案，重点研究并实现了基于SVM的增量式主动学习方法和基于用户建模的复杂草图图形识别。本文的成果主要表现以下几个方面： (1)草图理解自适应模型：本文提出并分析了由用户模型、领域模型和交互模型构成的草图理解自适应模型。该模型为解决草图理解的用户适应性问题，实现草图理解的自适应性提供了初步系统框架。 (2)基于机器学习的笔划识别适应性：本文针对手绘草图中的单用户适应和多用户适应的难点问题，采用基于规则推理、BP神经网络和支撑向量机学习方法的笔划识别效果和性能进行了试验和比较，为草图理解用户适应性中引入机器学习方法提供了可靠依据。 (3)基于SVM的增量式主动学习方法：根据上述试验分析比较，并在分析已有基于SVM增量学习基础上，改进并提出了基于SVM的增量式主动学习方法，实验表明：基于SVM的主动式增量学习方法可以很好地解决笔划识别中的用户适应性问题。 (4)用户复杂草图输入习惯捕捉：利用用户的历史数据，运用决策树学习思想建立了用户手绘习惯模型，并采用模糊匹配方法来识别用户输入的复杂图形，有效地解决了用户输入习惯捕捉问题。 本文通过对用户适应性问题的分析及机器学习方法引用的对比实验，提出并实现了基于SVM增量式主动学习方法的笔划识别及复杂图形用户输入习惯捕捉方法。实验表明：基于SVM增量式主动学习可以在少量样本的基础上获得良好的效果，从而为笔划识别的效率和性能提供保证。在笔划识别适应性基础上建立起来用户输入习惯模型，具有很强的用户适应性，消除了因用户随意输入带来的识别困难，为草图理解的实现提供强有力的支持。