电子仪表在定期检测中需要通过摄像头采集电压变化时的仪表图像并识别,然而,自然条件下的光照不均和仪表字符刷新过程中产生的拖影导致仪表字符识别困难,迫切需要一套可以用于复杂光照条件下含拖影仪表字符识别方法。本文围绕刷新过程出现重影的数字仪表,系统的研究了复杂光照条件下含拖影仪表字符图像预处理、二值化、字符识别的方法。针对现有方法无法去除图像中的拖影和光照不均的影响,研究了一种复杂光照条件下含拖影仪表字符识别方法。研究了光照不均图像增强算法,通过对图像光照分量的估计,再通过主成分分析(Principal Component Analysis,PCA)计算出融合权重进行多尺度融合,并在算法中加入上采样和下采样来减少算法的计算量,实现图像的快速增强。提出的算法能够有效地降低光照对于含拖影仪表字符二值化的影响,提高了图像的整体亮度和对比度,增强后图像清晰、明亮和自然,其信息熵、平均梯度、对比度和自然图像质量评价度量等客观定量指标优于实验中其他算法。结合提出的光照不均图像增强算法,提出了一种针对光照不均程度低的含拖影仪表字符二值化算法,该算法先通过图像增强算法克服轻微光照不均影响,再以灰度图的灰度级分布统计量作为BP神经网络输入,理想全局阈值作为网络的输出进行训练和阈值预测,实现光照不均程度低的含拖影仪表字符二值化。所提算法硬件要求低,速度快,二值化效果好,可以有效克服轻微光照不均和拖影的影响。针对光照不均程度高的含拖影仪表字符二值化问题,提出了一种基于深度学习的卷积神经网络框架。该网络使用的数据集为真实环境下的仪表图像,其基本思想是对输入的图像先进行降维提取特征,然后反卷积重建图像前景,最后输出二值图。将设计的网络与传统的二值化方法对比,实验结果表明,经该网络输出的二值图数字清晰且无拖影,能够高效实现光照不均程度高的含拖影仪表图像二值化。针对分割后的传统仪表字符识别需要先提取特征再使用分类器识别,效率低,本文在LeNet-5卷积神经网络的基础上进行了四个方面改进,将Sigmoid激活函数替换为ReLU函数,将平均池化替换为最大池化,将C3卷积层的不全连接方式更改为全连接方式,采用RMSpro优化算法更新权重和偏置。实验结果表明提出的改进LeNet-5网络可以自动提取特征并识别,识别率高,识别速度快,识别率达到99.04%,满足仪表字符快速识别的要求,优于实验中的其他算法。