随着计算机技术及信息技术的进步,图像识别技术获得了长足发展,特别是化工、机械制造领域仪表的图像采集处理,得到了广泛关注。针对远程无网络通讯化工设备识别、仪表数据的采集问题,本文研究了基于BP神经网络算法和支持向量机(SVM)模型的图像识别方法,采用嵌入式系统在线识别图像特性实现数据采集。首先,对系统总体方案进行了设计。通过阐述BP神经网络算法和SVM在图像识别中的基本流程框架,确立了嵌入式系统中图像识别的软件设计方案,以嵌入式系统硬件平台为基础,搭建了 Linux软件开发环境。其次,针对图像处理中常见的字符识别问题,利用BP神经网络深度学习技术,对化工控制过程中的温度仪表显示字符进行优化处理,并采用垂直投影法分割字符,实现了对图像字符的精准识别,验证了该算法的有效性。再次,研究了 SVM对图像的分类识别技术,提出了一种以融合特征作为SVM输入向量的图像分类方法。本文以锅炉图像为研究对象,首先提取了图像的颜色特征、VTD、HTD特征、LBP特征和HOG特征,然后通过串联拼接方式实现多特征的融合。为了验证融合特征输入的有效性,用全部分量、单特征和融合特征分别作为支持向量机的输入向量,获得了不同输入向量对应的综合评价指标F值,得出了融合特征作为支持向量机的输入向量具有较好的鲁棒性的结论,并针对结合训练时间和分类模型大小明确了最合适的融合特征。最后,基于上述研究,本文以JZ2440嵌入式开发板为硬件平台,设计了基于嵌入式底层的图像识别信息采集系统,通过采用BP神经网络算法和SVM实现了对化工控制中仪表图像的准确识别,表明基于嵌入式系统的图像识别技术在工业信息采集领域具有重要的实际应用价值。