航空发动机的工作温度对其性能有很大影响,利用示温漆测温技术对其零部件进行温度测量,是发动机测试过程中必不可少的关键步骤。示温漆人工判读方法稳定性差,准确性低,因此需要实现示温漆温度自动判读。目前,基于示温漆图像的温度自动判读方法主要存在以下两个问题:一是,示温漆图像因为光照和人工操作等引起的颜色失真严重影响了温度判读的精度;二是,示温漆图像判读方法只建立了单一普适的判读模型,其判读精度难以满足实际应用的需求。如何在多种干扰因素下,利用图像处理、机器学习和深度学习等方法实现更高精度的示温漆图像温度自动判读方法是当前研究的热点。本文调研了示温漆温度判读技术现状,分析了影响示温漆温度判读精度的原因,重点研究了示温漆图像预处理方法和基于示温漆图像特征的温度判读模型,以提升示温漆图像判读方法的判读精度。首先,本文基于图像处理和深度学习算法,提出了包括色偏修正、亮度修正、图像平滑和背景分割的示温漆图像预处理方法,较好地解决了颜色失真问题,并进行对比试验验证其有效性。然后,基于示温漆的变色规律和特点,研究了针对示温漆温度区间分割的聚类方法,包括两种聚类分割算法,第一种是基于寻找密度峰值点的快速聚类方法,第二种是基于隶属数量比例的循环淘汰算法。最后,在不同颜色空间下,分析了基于不同特征及不同分类器的温度判读方法的效果,并在此对比试验的基础上,提出了一种基于示温漆变色规律的分步判读模型。本文在多牌号示温漆图像数据集上进行了总体温度判读准确率、总体温度平均误差和温度点平均误差等多个指标的对比试验。在示温漆温度判读试验中,对比分析了SVC（Support Vector Classifier）、KNN（K-Nearest Neighbor）等多种算法。分步判读算法相比于现有最好结果的KNN算法,在KN3、KN6、KN8牌号示温漆测试集上的总体温度平均误差分别从12.73℃下降至1.66℃,从21.10℃下降至6.89℃,从6.53℃下降至5.48℃,验证了分步判读模型的有效性,为示温漆图像温度自动判读的广泛应用提供了技术支撑。