由于人工读表效率低下且成本高,利用机器视觉技术实现远程抄表已成为新的趋势。然而,实际应用场景中采集的仪表图像往往会因光照、背景、尺度、成像视角、表盘样式不同等因素给仪表读数识别带来巨大的挑战。本文以众多数显式仪表中较为常用的段码液晶仪表为研究对象,针对现有读数识别方法存在的问题,研究多干扰环境下基于深度学习的鲁棒识别算法。论文主要研究工作如下:（1）提出了一种基于改进的CRAFT-CRNN模型的段码液晶仪表读数鲁棒识别方法。先采用改进的CRAFT模型检测仪表图像中的段码数字字符,得到数字中心概率图和字符连接关系图;接着对检测结果进行后处理,求解透视变换实现对读数区域子图和相应数字中心概率图的方向和尺度同时校正,并通过分析光照影响来增强图像对比度;最后将后处理结果输入注意力引导且经协同训练而成的CRNN模型得到读数识别结果。实验结果表明,该方法对测试集中仪表读数的识别准确率为98.9%,优于对比方法。（2）提出了一种基于数据增强和背景去除策略改进的段码液晶仪表读数识别方法。首先提出了一种段码字符图像数据增强方法,以图像平均梯度为度量检测自然场景图像的弱纹理区域,并在该区域生成多样化的段码数字组合,构建合成的段码图像数据集,用该数据集预训练后再在真实的段码液晶仪表图像上迁移学习得到新的段码字符检测模型;其次,提出了一种基于GAN网络的段码字符图像去背景方法,通过优化损失函数并利用无需配对的标签图像训练GAN网络,实现将仪表读数内容与复杂背景相分离,提升了仪表读数识别模型的准确率。实验结果表明,经数据增强后迁移学习得到的检测模型对测试集中仪表读数区域检测的准确率有显著提高,同时使用基于GAN网络的图像去背景策略后测试集中仪表读数的识别准确率上升为99.5%。（3）基于以上研究,设计并实现了一个段码液晶仪表读数识别算法测试软件。利用采集的段码液晶仪表图像对设计的软件功能进行测试,验证了本文提出的段码液晶仪表读数识别方法的有效性。