作为智能电网的服务终端,智能电表为企业与家庭用户提供日常所需电量的计量、监测与反馈,在智能电表出厂前以及拆回维修过程中,需要进行外观特征检测以保证产品质量合格。目前,智能电表的特征检测主要依靠人工操作完成,人工质检效率低,对环境的适应能力与解决复杂问题的能力较差,且不能连续长时间工作。因此,本文结合图像处理技术与深度学习技术,设计了一种智能电表外观特征自动检测系统,对特征检测中使用的关键技术如形状模板匹配算法、改进Canny边缘检测算法、区域像素平均灰度值算法、MLP神经网络分类器识别、卷积神经网络算法等进行了深入研究,主要研究内容如下:（1）根据智能电表特征检测要求,设计了智能电表特征自动检测系统总体架构方案;搭建了图像采集系统,确定了光源照明方式、工业相机与镜头的型号、数据传输接口方式,实现了与上位机的通讯控制;完成了智能电表特征自动检测实验平台的搭建。（2）为实现智能电表多项基本特征的检测,研究了不同的特征检测算法。针对参数信息检测过程中,存在信息边缘轮廓提取不完整的问题,提出一种通过Otsu自动阈值分割法提高Canny边缘检测算法阈值选取自适应性的改进算法;针对LED指示灯状态的检测,提出一种基于区域像素平均灰度值的LED指示灯检测算法,通过分析指示灯不同状态下像素灰度值的差异完成检测。实验结果表明,两种算法均实现了相应特征的准确高效检测。（3）针对电量识别过程中,当液晶显示屏背光或拍摄光线较暗时,电量信息识别不清晰,存在字符误判的问题,提出一种基于MLP神经网络分类器的电量识别算法。通过收集大量易发生误判的字符作为数据样本,创建适用的MLP分类器,进行特殊字符的识别分类,完成电量的准确识别。实验结果表明,该算法有效提高了电量识别准确率与效率。（4）为实现智能电表液晶显示屏信息缺失特征的检测,首先提出了基于图像处理技术的检测算法。通过对液晶显示屏进行模块划分,结合OCR字符识别技术与字符阈值分割算法完成信息缺失检测。实验结果表明,该算法整体检测准确率低,且检测效率差;为解决上述方法存在的问题,提出了基于深度学习技术的缺失检测算法。以Le Net-5网络架构为基础,进行网络参数与算法优化,添加了Dropout层避免过拟合现象发生,通过网络训练得出准确率与损失率的曲线变化图。实验结果表明,该模型显著提高了液晶显示屏信息缺失的检测准确率与效率,增强了模型的泛化能力,满足了特征检测要求。（5）根据智能电表特征检测需求,系统软件开发平台采用C#、Halcon混合编程的方式,研制了智能电表特征检测系统,体现了特征检测相关算法,实现了人机交互与检测结果的统计,对智能电表参数信息、LED指示灯、电量、显示屏信息缺失等特征进行了检测,在大量实验与实际生产中的应用中均取得了较好的效果,具有推广价值。