随着智能变电站的推广,巡检机器人开始应用于检查变电站中的指针式仪表的检测与识别,但现有的大多变电站仪表读数方法会受到光照、倾斜和灰尘等噪声干扰,导致仪表区域和指针中心线提取困难,难以满足实际需求。本文以计算机视觉为基础设计了指针式仪表自动读数识别的整体方案,搭建了软件系统,通过实验室模拟变电站的现场环境测试了整体方案的可行性,主要工作如下:（1）为了更准确地检测到仪表的位置,本文在对比特征匹配中的SURF算法与深度学习中的Faster R-CNN算法优缺点的基础上,对Faster R-CNN算法进行了改进。改进后的Faster R-CNN模型的m AP为98.23%,模型的FPS为15.6,相较原本的Faster R-CNN模型的m AP提高了2.78%,FPS提高了117%。（2）针对光照干扰问题,分析了多种校正光照的算法,并改进了MSRCP算法。指针图像经过改进的算法处理后的方差、图像信息熵、峰值信噪比相比较于原算法分别提升了10%、1.01%、16.46%,在一定程度上解决色彩失真、图像模糊等问题。（3）用透视变换解决圆形仪表图像倾斜问题,采用椭圆检测获取透视变换所需参数,完成对倾斜仪表图像的自动校正。（4）针对图像噪声问题,使用中值滤波进行去噪,并提出一种改进的Canny算法对图像边缘增强,可减少图像冗余信息,提高指针读数的准确性。相比原Canny算法,该算法的边缘检测效果图的方差、信息熵、空间频率和结构相似性分别提高了46.9%、42.1%、31.8%和86.43%。边缘增强后的效果图相比原图将方差和空间频率分别提高21.67%和380%,信息熵降低67.63%。（5）基于指针连通域提取、图像细化和直线拟合等算法,设计了一种指针示数识别算法。以变电站中的温度表作为测试数据,结果表明:相比人为读数方法,两者的平均相对误差为1.08%,最大相对误差为3.334%,能较准确地检测出仪表读数且算法耗时较低,为指针式仪表目标检测及读数提供了一种可行的思路。