变电站巡检机器人的一项重要任务是从采集到的仪表图像中“读取”出关键设备运行状况的真实数值。由于机器人的实际作业环境状况,如雨天、雾天等会对仪表图像的成像质量造成影响,从而限制了仪表读数的精准度。雾浓度与图像采集距离被认为是影响仪表读数准确性的两个重要环境因素。到目前为止,尚没有较好的雾与距离综合评价方法和仪表区域去雾算法。无法对采集环境进行精准感知会降低读数结果的可靠性,而缺乏有效的去雾算法会导致读数准确率下降。针对这个问题,本文提出了一种仪表读数环境预判模型和一种仪表图像去雾算法,有效降低了因环境因素造成的读数误差,节省了机器人宝贵的计算资源,提高了仪表读数过程的效率,主要的创新性工作如下:（1）提出了一种基于支持向量回归机（SVR）的仪表读数环境预判模型。该模型利用频域特征和空间结构特征反映雾浓度,利用深度图像统计特征反映采集距离（仪表占屏比）,并利用SVR对所有图像特征进行训练,拟合主观评分。实验结果显示:相对加入深度特征前,加入深度特征后的模型性能明显提升;与其他读数环境预判算法相比,所提方法评分结果与主观评分更为一致,能够有效地解决仪表读数环境预判问题。（2）提出了一种基于生成对抗网络（GAN）的端到端仪表图像去雾算法。该算法在原图像三通道的基础上加入了饱和度通道,使得网络可以学习到更多的雾相关特征。在去雾网络中引入了通道注意力模块,使所设计的网络能更专注的完成去雾任务。实验结果表明:所提算法在不同环境下的去雾效果更加稳定,仪表区域去雾结果的主客观评估均优于其他去雾方法,能够为仪表读数算法提供更易读数的去雾图像,使最终的读数结果更加准确。本文还将仪表读数环境预判模型与去雾算法相结合,提出了一套仪表图像质量自动评估与优化策略。该策略根据读数环境预评价结果自动选择进一步的处理方式。在读数环境预评价分较高时,不做去雾处理,以节省机器人宝贵的计算资源;在评价分较低时,即使做去雾处理,也无法获得较好的结果,这时直接丢弃受损图像,启动新图像的采集;在评价分适中时,先对仪表图像进行去雾处理,然后再进行读数,以提高仪表读数的准确率。