在现代航空飞机驾驶舱中,仪表读数的方式都是通过人工目视读数来实现的,执行人工测试时,在耗费大量的时间的同时更会占用过多的人力资源,测试精度上也无法保证。在军用航空领域,引入视频图像处理技术手段,研究驾驶舱主要仪表显示出的图像,以到达图像可进行自动识别并检测的目的,可有效提高测试的效率和精度。计算机数字化技术与各式各样的电子网络技术都在不断的飞速发展,人工测试最终将被自动化测试所代替已是大势所趋。因此本文针对某型号军用航空预警飞机驾驶舱内的主显示器中的空速标尺的自动识别读数系统进行研究,把驾驶舱内主显示器的空速标尺作为研究对象,通过Gig E Vision协议对航空仪表进行实时采集,进而使用图像处理技术对采集到的仪表图像进行MSR（Multi-Scale Retinex）算法增强,将增强后的仪表图像进行预处理,最后利用Tesseract-OCR与长短期记忆（LSTM,Long Short-Term Memory）结合的图像识别方法,进行字符的自动识别。主要研究内容如下:（1）针对光线不充足、阴雨天或雾霾等天气以及存在遮挡物等影响飞机仪表图像质量的问题,本论文提出了一种基于MSR的图像增强算法,调整了暗区域的亮度范围,引入了自适应中心环绕函数。理论分析和实验对比表明,该算法符合人眼视觉特征,有效增强了仪表图像细节,解决了增强后色彩会扭曲的问题,避免颜色失真。该算法对后续的识别奠定了良好的基础,同时算法易于实现,有利于整机集成,形成低功耗小型化的某型号军用航空预警飞机,具有一定的经济价值及社会意义。（2）通过对主显示器（PFD,Primary Flight Display）中的空速标尺的滚轮式显示问题研究,针对PFD中空速标尺的滚轮式数字显示特点,在数值变化过程中出现的不完整字符进行针对性的字符集训练,解决了含有不完整字符时Tesseract-OCR识别率过低的问题,在此基础上对其进行优化,结合长短期记忆（LSTM,Long Short-Term Memory）神经网络模型。实验表明,使用Tesseract-OCR识别含不完整字符的飞机仪表时,使用训练库时,平均识别率比自带库提高了80.61%,优化后平均识别率比使用训练库提高了3.35%,在识别仅有不完整字符的时,平均识别率比自带库提高了79.45%,优化后平均识别率比使用训练库提高了4.75%。通过实验测试,本文提出基于Tesseract-OCR的飞机主显示器PFD的识别方法,在识别飞机仪中含不完整字符时与仅有不完整字符时的平均精度上从5.6%和1.25%提升至89.56%和85.43%,有效的提高了识别精度,解决了Tesseract-OCR在识别存在不完整字符时识别率过低的问题。