在智能化工厂建设进程不断推进的今天,巡检机器人作为重要的生产工具,在变电站、石化厂区等室外场景中得到了广泛的应用。执行测量与监测任务的指针式与数字式仪表等工业仪表作为测量设备的重要组成部分,被安装在各类生产设备上,成为了巡检机器人的主要检测对象。由于大量工业仪表分布于室外环境中,雾天、阴天以及夜晚等情况下拍摄到的仪表图像存在低光照的问题;此外,巡检机器人在执行任务时与待检测仪表之间存在相对运动,导致仪表图像存在运动模糊问题。这两种问题严重影响了仪表读数识别的准确率,给巡检机器人在室外场景中的应用形成了挑战。为此本课题对更适合用于移动机器人室外巡检的退化仪表图像恢复算法以及仪表读数识别算法展开了研究。首先针对低照度仪表图像,分析了Zero-DCE算法的映射曲线存在的弊端,在经典幂律变换函数的基础上进行改进,设计出一种动态范围较宽的改进幂律变换函数,变换函数的参数通过一个卷积神经网络预测出,选用的无参考损失函数以使迭代训练过程不需要依赖正常光照图像作为标签,串联使用噪声去除网络以进一步提升图像的质量,在多个公开低照度图像数据集上对比增强后图像的PSNR、SSIM、MSE以及NIQE值,结果表明经该方法恢复后的图像具有较高的质量。其次,为了恢复巡检过程中拍摄到的运动模糊仪表图像,以提升仪表读数识别精度,分析了移动机器人巡检时运动模糊图像的形成原因,根据该退化过程建立模拟真实运动模糊仪表图像的退化模型,并通过该模型制作成对的清晰/运动模糊仪表图像作为数据集。最后使用该数据集对Deblur GAN-v2进行迭代训练,并且在合成运动模糊与真实运动模糊仪表图像上进行实验验证,结果表明本文设计出的退化模型比随机轨迹生成法具有更好的图像恢复效果。最后,设计了一种基于深度学习的工业仪表读数识别方法,该方法首先通过Deep Labv3+从仪表图像中分割出显著特征的二值掩膜,然后根据二值掩膜与表盘先验信息计算得到透视变换矩阵,对指针式仪表的表盘与数字式仪表的数显区域进行矫正,以使得该读数识别方法对于倾斜拍摄的仪表图像同样适用,再分别通过角度法与数字字符分类方法识别出两类仪表的读数。实验结果表明,该读数识别方法在非退化仪表图像上具有较高的识别率以及较低的引用误差,且经相应退化图像恢复算法处理后的仪表图像相关评价指标具有显著提升。