目前,扭矩扳子被大量应用于各种重要设备的装配,它确保了设备螺栓螺母的扭矩在规定范围内。扭矩扳子应用时常常产生误差,需要定期检定。随着大扭矩扳子越来越多的应用,需要设计电动加载功能的自动检定系统。自动检定系统的实现需要示值自动识别为基础,而传统方法无法满足自动检定系统高精度的要求,本文采用在模式识别领域有突出表现的卷积神经网络进行示值识别。根据识别的示值图像选取适合的卷积神经网络的模型。首先研究了卷积神经网络特征提取阶段中最典型的卷积层与聚合层的作用与使用方法,然后简述了分类阶段的组成。根据扭矩扳子示值识别的实际情况选取输入图像的大小和卷积核的尺寸,确定网络层数。给出由简单特征提取综合特征的方案,选择分类器类型,最后确定卷积神经网络的示值识别模型。基于卷积神经网络的示值识别模型对其权重和偏置进行训练。通过求取模型损失函数最小值,利用后向传播过程更新模型的权重和偏置。针对卷积神经网络的梯度消失问题选择了适合示值识别的激活函数类型,由于该激活函数存在不能控制输出幅值的问题,进而选用可以弥补该问题的Xavier权重初始化方法。然后针对扭矩扳子的示值识别问题选取使得损失函数快速下降的学习率数值。最后通过训练模型,得到该模型的损失率和正确率,从而确定该模型符合扭矩扳子示值识别的要求。设计了扭矩扳子自动检定系统,实现示值识别、扭矩加载/卸载、自动检定、检定数据管理与维护、检定证书生成与打印等功能。示值识别部分利用已得到的网络模型进行字符识别。在示值识别的基础上实现对扭矩加载机构的自动控制,以此来实现检定的自动化。最后进行检定系统各项功能界面的设计。最后总结了论文主要工作,并对扭矩扳子示值识别的进一步研究方向进行了展望,对下一阶段需要研究的问题进行了探讨。