随着国家发展和节能减排理念的提出,电力在能源市场中占据了主导地位。变电站作为电力系统的核心枢纽,人们生产生活的重要载体,保障其正常运作至关重要,对变电站中的仪表进行巡检便是其中关键一环。传统的人工巡检任务繁重、主观性较大,可能导致误读、漏读,不利于变电站生产安全。指针式仪表因其制造成本低廉、抗干扰能力强、适用性广等特点,被广泛应用于变电站中。因此,本文主要针对变电站中的指针式仪表,提出一种基于机器视觉的对仪表信息识别自动化程度更高、精度和准确度更强的方法。本文的主要研究内容有:（1）给出了基于Mask-RCNN网络模型的变电站仪表检测方法。针对神经网络训练过程中,深层网络可能出现梯度消失、爆炸的问题,搭建了基于改进的MaskRCNN目标检测网络模型。将原有的骨干网络替换为Res Ne Xt-50网络,通过训练仪表图像数据集,实现对仪表表盘区域的识别提取。通过对比实验,比对改进算法和传统算法的损失函数曲线、评价目标检测精度指标、召回率等数据,验证改进算法的有效性,提高了检测精度。（2）给出复杂情况下采集仪表图像的图像增强方法。主要针对光线较暗和雾霾天气的情况下,给出带有颜色恢复的MSR算法和直方图均衡化相融合的仪表图像增强算法。融合算法保持了图像的真实色彩,提升了图像的暗部细节,更好适用仪表检测算法。（3）给出了变电站指针式仪表的读数识别方法。为了节省程序内存,利于后续运算,首先对仪表图像进行预处理操作。针对仪表表盘信息过多,无法很好识别指针和表盘圆心的问题,提出了一种改进的Canny边缘检测算法,提高了确定表盘圆心位置的准确度。其次通过霍夫变换检测圆与指针的交点位置信息,利用二值图像连通域分析得到指针区域。最后细化指针并拟合中心线后,选择角度法以计算输出仪表示数。（4）基于Qt平台开发设计了变电站仪表信息识别系统,并进行测试。测试结果表明,该系统可以有效完成变电站日常仪表巡检工作。