指针式仪表具有结构简单,成本低廉,抗干扰性强,经久耐用等特点,已广泛应用于电力设备监控、工业制造、军事和航空航天等领域。在正常情况下,指针式仪表的数据读取和记录始终依靠手动观察。但是,手动观察会出现工作量大,即时性差,效率低以及更重要的是高错误率的问题。随着企业自动化和智能化的发展,人工阅读已不再能满足现代企业对管理和维护的要求。目前,传统的指针式仪表读数识别的大多数算法只能在特定的环境或固定的位置运行,而没有高度的可靠性,稳定性和长期可用性。随着深度学习的发展,本文将数字图像处理技术和深度学习相关技术相结合,对指针式仪表读数识别各阶段的方法进行深入研究。本文研究的核心内容主要包含四个方面:从摄像头采集的图像中识别和分割仪表盘区域、对获取的仪表盘的预处理、仪表表盘指针的分割和细化、仪表表盘数字的分割和识别。本文结合深度学习的相关知识,在仪表表盘的识别和分割中,提出和改进了Mask RCNN卷积神经网络模型来对自然环境中指针式仪表有效信息的获取,并且建立了训练数据集对该算法进行训练和测试,实现自然场景条件下精准快速的识别和分割尺寸和类型各异的仪表表盘,具有抗干扰性强的优点。与传统图像处理定位表盘区域相比较,通过深度学习对不同自然场景中获得图像提取表盘区域适用性更好,不会被不同的背景干扰所影响,而传统图像处理对于不同的背景干扰需要进行不同的校正,适用性较差;在对获取的仪表盘预处理中,采用加权平均法灰度化、OSTU算法(最大类间方差法)二值化、连通域标记进行预处理,方便后续操作;在仪表表盘指针的分割和细化,针对仪表有效信息特征,采用连通域标记、OSTU阈值分割、最小二乘法对仪表指针的提取和拟合;在仪表表盘数字的分割和识别时,首先对表盘中的数字和刻度线分割,然后采用改进Lenet-5卷积神经网络(Convolutional Neural Network,CNN)模型对分割得到的数字进行识别,并通过统计表盘刻度线的个数得到分度值,从而提出一种模拟人工读数的方法,提高了仪表示数读取的准确性。利用深度学习相关技术解决了人工读数工作强度大的问题。