仪表作为数据显示和监控的重要工具,广泛应用于工业领域,特别是变电站等高压、高温、高辐射的环境中。变电站中存在大量指针式仪表和数显式仪表,人工读取仪表示数存在工作强度大、成本高、效率低、误差大等缺点,迫切需要研究一种智能无人值守的仪表示数识别方法。仪表图像处理存在仪表分类、表盘和指针区域检测困难、仪表图像预处理繁琐等问题,传统的仪表识别方法不能解决这些问题,本文基于深度学习目标检测方法进行仪表示数图像识别,主要研究内容如下:研究基于Faster R-CNN的仪表盘定位方法,针对仪表图像中仪表盘和指针区域占比小问题,本文提出一种改进的Faster R-CNN深度学习目标检测方法,将Faster R-CNN中的区域建议网络（Region Proposal Networks,RPN）与特征金字塔（Feature Pyramid Networks,FPN）网络进行融合,提高了仪表盘和指针区域定位准确度。针对平衡仪表图像正负样本问题,在RPN网络中引入Focal Loss样本平衡损失函数进行样本训练。实验结果表明,改进的方法漏检率与传统算法相比提高了8.9%,误检率与传统算法相比提高了5.1%。研究基于特征金字塔（FPN）的指针式仪表示数识别方法,为提高指针区域检测准确度,本文提出一种基于改进的FPN图像分割方法,在FPN顶层添加反卷积层,对卷积特征图复用,能够实现准确高效的分割指针区域。此外针对仪表图像倾斜问题,使用透视变换校准图像。最后为了提高识别准确度,使用最小二乘法进行指针区域拟合,计算指针的偏转角度,获得指针式仪表示数。实验表明,基于改进FPN方法比基于Hough变换的仪表示数识别方法精确率提升2.38%,召回率提升5.96%,总时间提升21ms。研究基于连接文本提议网络（Connectionist Text Proposal Network,CTPN）的数显式仪表示数识别方法。传统字符检测方法易受图像预处理和字符分割效果影响,本文基于CTPN进行字符区域定位,再经过稠密连接网络（Dense Net）识别示数,该算法避免了图像预处理和字符分割等操作,简化了识别流程。实验表明,本文算法提高了数显式仪表示数识别的准确率和可靠性。将本文的研究内容应用到仪表示数图像识别中,实现了仪表盘定位、指针式仪表示数识别和数显式仪表示数识别。实验结果表明,算法相较于传统算法具有更高的读数准确率、更强的普适性和泛化能力。