随着信息技术的不断发展,人们的生活日益趋近于自动化、智能化,传统的电能表抄表方式逐渐淘汰,智能的电能表字符识别技术研究成为了热点。针对我国的电力计量现状,本文研究了国内外字符自动识别技术,实现了三种不同模型的电能表字符自动识别系统,并进行实验分析。本文的主要工作如下:1.传统的电能表字符自动识别系统,该系统在图像识别之前,采取了图像灰度化、二值化和图像增强措施进行图像的预处理。在后期的识别过程中,应用了手动分割和模版匹配的算法来完成电能表的字符识别。实验环节应用的是MATLAB软件,在实验比较分析中显示图像灰度化后的识别结果要优于图像二值化后的识别结果,识别率达到了83.6%。2.构建多层卷积神经网络Lenet-5,该网络模型总共有7层。用卷积神经网络结构对电能表字符图片进行分类训练,训练过程采用了四种数据增强的方法,通过对实验结果分析,构建了混淆矩阵,实现了 91.4%的平均分类正确率。3.利用迁移学习技术实现卷积神经网分类模型。使用微调基于VGG-16迁移学习的深度模型对电能表字符图片进行特征提取,然后使用Softmax分类器对特征进行分类。从实验结果分析上可以看出,在测试的电能表字符图片预处理不理想得情况下,测试的准确率已经到达了 96%。