本文围绕参数化设计中涉及到的几何约束求解、多解问题处理、自动特征识别、数字水印等问题从以下几个方面展开研究。(1)提出了一种新的基于剩余自由度分析的约束系统分解算法。该算法充分考虑约束系统中图形元素优先级,对分解后的子图采用规约化方法求解,能够实现约束系统的最大分解,并且可以处理欠约束系统的分解问题。(2)提出了一种多解问题的选择算法。将约束分成两个集合,一个是原约束系统,另一个是增加的额外约束,求解器求解出全部的解后,利用启发式算法,搜索全部解空间,使增加的约束得到最大化满足。从而将解的寻找转化为约束问题满足的寻优过程。(3)提出了一种基于自组织神经网络的特征识别算法。在分析特征属性邻接图的基础上,根据特征的生成过程,建立特征森林,作为启发式信息,可以快速判断出相交特征。针对识别特征的规模动态确定自组织神经网络输入神经元的维数。并给出了一种矢量化算法。(4)提出了一种基于图分解和改进的误差放大BP神经网络算法对特征进行识别。在特征设计阶段保留基本的边界模型信息的同时构造特征历史树,特征历史树作为启发式信息供下游应用在特征提取,相交特征多重解释算法中提供决策依据。传统使用梯度下降原则的BP学习算法,在饱和区域容易出现收敛速度趋缓的问题,针对特征识别的具体应用提出一种新的基于误差放大的快速BP学习算法以消除饱和区域对后期训练的影响。本算法通过对权值修正函数中误差项的自适应放大,使权值的修正过程不会因饱和区域的影响而趋于停滞,从而使BP学习算法能很快地收敛到期望的精度值。(5)提出了一种基于整数小波变换的数字水印算法,水印嵌入到由网格顶点到网格中心的距离经整数小波变换后的系数中,距离值序列通过小波变换转成频域信号,在频域上加入水印,所以可以采取较大的水印强度而不会太影响网格外形,由此可以带来更高的鲁棒性。一方面:水印的影响分散到全局使得其不易被消除并且对仿射变换等大范围的扭曲变形敏感,另一方面整数小波变换能够在距离序列分解和重构过程中简化计算并使损失减少到零。