随着现代工业生产自动化程度的越来越高，机器视觉技术被成功地应用在工业生产中。在许多工业生产线上，往往需要对产品编码或标号进行检验，而使用人力是受各种限制的，甚至是不可能的。这就需要通过机器视觉对产品标号或编码进行自动识别。 字符识别是数字图像处理与模式识别领域发展的热点之一。本文介绍了图像处理与字符识别的各个步骤，并分析了在字符识别的各个环节中一些现有的算法。讨论了动态阈值、双峰直方图在图像预处理部分的运用，同时描述了如何在图像中分割字符。最后重点讨论了字符的识别问题，分析了神经网络的识别方法。 由于工业现场环境恶劣，光照不均等许多不利因素会引起所拍摄的图像失真、模糊以及使字符产生平移和旋转的情况。针对这种情况，本次课题主要做了以下几方面的研究工作并用Visual C++工具实现了相关算法。(1)对图像进行了前期预处理；(2)针对由于光照不均而造成图像模糊的问题，提出了一种基于大津法的图像分块二值化方法。(3)对于字符特征的抽取，本文重点研究了理论上对旋转具有不变性的矩特征； (4)对字符进行归一化后，最终选择出若干个Zernike矩作为字符特征，另外还提取了字符的网格特征进行研究：(5)针对字符特征，用改进的BP算法设计了一个神经网络识别系统。同时也研究了基于神经网络的图像识别技术理论，它是随着当代计算机、图像处理、人工智能、模式识别等理论发展起来的新型图像处理技术，是在传统的图像识别方法的基础上融合神经网络算法的一种图像识别方法。 本次研究主要针对钢管上的标识进行识别。结合模式识别和人工神经网络大量的相关算法，特别是目前在目标识别中用的最多的前馈神经网络模型及其采用的改进BP算法，利用Visual C++平台开发了自己的字符识别软件。