在变电站的智能化升级趋势下,变电站的电气设备类型和数量都在变多,表征这些设备运行状态的指针式仪表也越来越多。依靠传统的人工巡检方式,将会越来越受限于复杂多变的变电站环境,对这些仪表进行读数记录工作量较大,影响读数记录的准确性,同时长时间暴露于各种变电站高压电气设备之间,也会给巡检人员的生命安全带来一定的隐患,所以基于巡检机器人的自动巡检方式进行仪表自动识别,因效率高、精度高而得到大力发展。本文针对现有的变电站指针式仪表自动识别方案无法满足巡检过程中的实时性要求、以及面对复杂变电站环境适应性差的问题,基于机器视觉、人工智能的深度学习技术开展变电站指针式仪表的自动识别研究,主要的研究内容如下:1)构建自然场景下变电站指针仪表数据集,并通过几何图像随机变换、对比度随机调整、亮度随机调整对图像数据集进行加强;2)针对YOLOv3-Tiny网络在表盘检测的平均准确率上,相比于Faster R-CNN、YOLOv3的劣势,提出了基于VGGNet的YOLOv3-Tiny网络的改进,将VGGNet网络中特征提取卷积层改进方法引用到本文的YOLOv3-Tiny网络中,得到改进后的Modi-YOLOv3-Tiny网络;3)图像预处理中,提出仪表图像降噪先通过中值滤波滤除脉冲噪声,再通过双边滤波滤除高斯噪声的方法,并提出了基于边缘检测的图像二值化;4)提出了基于DBSCAN算法的表盘圆心拟合,对表盘刻度线拟合直线的交点集合区域进行圆心拟合,提高了准确率;5)仪表的读数识别,采用了将环状刻度区域矩形化的距离法和利用指针拟合直线与刻度线夹角的角度法,并经过实验对比发现角度法在识别速度上更有优势,更满足实时性要求。