水是一种重要的资源,也是一种特殊的商品,为了加强城市的供水管理,增强居民节水意识,减少水资源的浪费,供水公司对所负责的辖区内的每家每户都专门安装了水表以方便进行每月用水量的统计,同时根据已制定的用水费用标准进行费用验算并完成水费收缴。但是目前大部分家用水表的抄表工作仍然依靠人工上门抄表的方式来完成,不仅耗费大量的时间精力,效率低下,而且需要供水公司提供一些经济成本进行抄表人员的任务规划和安排,严重影响智慧化城市以及城市现代化的发展进程。为了解决这些问题,本文基于深度学习的目标检测算法进行数字式水表图像字轮区域的检测以及数字字符的识别。论文的主要研究内容以及阶段性成果如下:（1）为了避免水表图像的表盘中非读数区域存在的数字字符对读数识别结果的干扰,提出利用目标检测模型对数字式水表图像中显示居民用水量数据的字轮区域进行检测与识别,首先按照识别结果计算出字轮区域所在的位置坐标对其进行分割,整理成字轮区域图像数据集。然后利用三种目标检测模型对字轮区域图像中的数字字符进行检测与识别。通过实验测试与对比,选取整体表现较好的YOLOv3模型作为后续优化与改进的基础模型。（2）针对YOLOv3模型对字轮区域图像中的数字字符识别结果检测精度不够高的问题,在网络的YOLO层中嵌入注意力机制模块CBAM,增加网络对必要特征的关注,忽略非重要特征,从而增强网络的表现力。实验结果表明,改进后的模型C-YOLOv3进行数字字符识别的m AP值为91.38%,较改进前提高了2.36个百分点。（3）针对C-YOLOv3模型卷积操作过多导致计算量大、检测速度较慢的问题,提出对主干网络Darknet-53的部分卷积层进行深度可分离结构改进,以此提高模型的检测速度。实验结果表明,改进后的模型D-C-YOLOv3在提升检测速度的同时提高了检测精度。（4）为了验证数字式水表图像中字轮区域的分割对于模型D-C-YOLOv3读数识别性能的影响,在两种不同的数据集上分别进行了训练与测试。实验结果表明,模型对分割获得的字轮区域图像中的数字字符的识别相较于对整张图像字轮区域内数字字符识别的m AP值提升了6.81%,有效地排除了表盘中其他字符的干扰。