随着社会生产生活对电力的依赖越来越高,如何有效保障电力系统尤其是变电站的生产安全成为了一大研究热点,变电站的巡检主要是各类型仪表的巡检,以往对于仪表的巡检主要借由人工完成,这类方法效率和精度均较低,无法适应仪表等监测设备越来越多、场景越来越复杂的变电站环境。因此自动化程度更高、精度和效率更高的基于巡检机器人的仪表读数识别方案具有十分重要的研究意义。针对现有仪表读数识别方案无法满足实时性要求、无法很好地应对复杂环境下各类型仪表读数识别的问题,本文基于深度学习技术对仪表读数识别方案进行了研究设计,主要研究内容包括:1)针对仪表所处环境较为复杂的情况,提出了一种基于YOLOV3网络改进的仪表表盘检测方法。对目标检测方法中的传统计算机视觉方案和深度学习方案进行了研究分析,并设计了基于Mobile Net V1网络改进的YOLOV3网络作为深度学习方案的代表,通过对两种方案进行对比实验以验证所设计深度学习方案的优势。2)针对表盘上所包含的丰富信息,提出了一种仪表表盘信息提取算法,其主要包括图像预处理算法、借鉴Mobile Net V3网络和Trident Net网络改进的YOLOV3网络以及仪表指针区域提取算法,其中改进的YOLOV3网络用于提取量程和量纲信息。3)提出了指针式仪表和数显式仪表的读数识别算法,对指针式仪表研究设计了表盘信息精定位算法和读数识别算法,其中表盘精定位算法通过指针区中心线提取算法和倾斜校正算法完成表盘信息的精定位,读数识别算法则结合刻度距离法和角度法完成读数识别,对数显式仪表则直接通过量程数字和量纲组合完成读数。4)设计了仪表读数识别的总体方案以及用户管理界面,并以此对总体方案进行了系统测试以验证总体方案的可行性。