仪表字符识别是仪表检定中的关键问题,本文针对液晶仪表字符识别问题,结合计算机视觉和机器学习相关技术实现了对液晶仪表字符准确快速的识别,主要工作包括以下三个方面。针对成像过程中受到畸变影响导致液晶屏幕实际的几何形状在图像中发生形变的问题,本文采用张氏标定法对摄像机进行标定,将与仪表放置平面平行的标定平面设定为图像校正平面,利用标定得到的各项参数将原始图像投影到校正平面,恢复液晶屏幕原有的几何信息,实现对畸变图像的校正。针对实验场景下无法获取大量液晶字符图像来提取多样化的样本的问题,本文采用在字符标准模板上叠加误差模型的方式自动生成字符数据集。图像误差模型包括图像尺度变化、图像旋转平移、图像采集、环境照明、图像反光划痕五类误差用以模拟真实仪表图像所受到的各类噪声,在模板图像上依次叠加各类误差得到用于机器学习算法的训练图像。针对传统字符识别方法在识别成像质量较差的字符时正确率低、鲁棒性差的问题,本文分别采用基于HOG特征的SVM方法和CNN方法构建分类器进行字符识别。利用样本到分类超平面的距离对传统SVM多分类方法提出了改进,解决了分类重叠和不可分类的问题并提高了分类正确率;以LeNet-5网络为基础结构,设计不同的LeNet-5变种网络结构进行对比实验,得到适用于液晶仪表字符识别的卷积网络结构。实验结果表明本文提出的基于SVM和基于CNN的字符识别算法其分类正确率较模板匹配等传统方法有较大提高,分别达到了99.55%和99.84%,采用CNN方法的字符识别精度略优于SVM方法。最后在实际测试系统上的实验结果表明,本文提出的两种基于机器学习的仪表字符识别方法在识别成像质量较差的图像时仍然能够快速准确的对液晶字符进行识别,大大提高了仪表的检定效率和准确率,能够满足实际应用的需求。