石油作为现代工业生产的重要原料,是国家重要的战略物资。石油现场由于存在大量压力容器、阀组和管道等装备,具有高温、高压、易燃易爆的特点,一旦发生安全事故后果难以估计。因此,保证安全生产是每一个采油单位工作内容的重中之重。巡检作为最主要的安全保障措施,目前以人工巡检方式为主,该方式劳动强度大、工作效率低、常有漏检、误检等情况发生。为保证高效、可靠的巡检,国内外各大油田生产单位大力发展以机器人为主体的智能巡检模式。仪表读数自动识别是油田巡检机器人的核心功能之一。由于油田环境的复杂性,使得常规的仪表读数识别方法较难应用于油田巡检机器人,因此,展开油田仪表读数识别算法研究对油田巡检机器人的实现具有十分重要的现实意义。仪表读数自动识别作为智能巡检的核心,是当下研究的重点,发展迅速,但仍面临着以下几点困难和不足:（1）当前仪表读数识别算法对视觉环境要求较高,一旦视觉环境不佳,识别结果容易出错;（2）当前针对指针式仪表的读数识别算法步骤较多、容错率较低,鲁棒性较差。针对上述问题,本文利用图像处理技术和深度神经网络对油田常用仪表读数识别进行了详细研究。主要研究内容有:（1）基于图像处理技术的油田仪表读数识别研究。针对油田仪表图像存在由复杂环境导致的模糊、形变、高光以及低光等问题,利用图像降噪、图像增强等技术对仪表图像进行处理,有效提升了仪表图像质量。根据数字式仪表、液位式仪表和指针式仪表的各自特征,分别利用K最邻近分类（KNN）方法、比例法和坐标映射法对读数进行识别,识别精度满足油田巡检抄表要求;（2）基于深度神经网络的指针式仪表读数识别研究。针对基于图像处理技术的指针式仪表读数识别方法存在步骤多、参数多、容错率低以及鲁棒性较差等问题和基于深度神经网络方法中存在仅将网络用于仪表检测、降低环境干扰、未能真正发挥网络强大的拟合能力等问题,提出了基于生成对抗网络（GAN）与细粒度分类网络结合的指针仪表读数识别方法,该方法首先利用深度卷积生成对抗网络（DCGAN）在有限指针仪表图像的基础上生成用于细粒度分类网络训练学习的大规模样本集;其次,利用生成的大规模样本集对细粒度分类网络进行训练;最后,训练好的细粒度分类网络根据输入的指针仪表图像自动识别读数。该方法将读数识别任务转换成细粒度分类任务,完成了“图像-读数”端到端的识别流程,简化了识别步骤,具有较高的鲁棒性和识别正确率。为了验证本文所研究的仪表读数识别算法的有效性,利用大量真实仪表图像分别对基于图像处理技术的油田仪表读数识别方法和基于深度神经网络的指针式仪表读数识别方法进行实验验证,结果表明,在基于图像处理技术的方法中,KNN实现了 94.93%的读数识别正确率;比例法与人工抄表相比仅有3.68%的相对误差;坐标映射法与人工抄表相比仅有0.43%的相对误差,满足油田开发现场的巡检要求。基于深度神经网络的指针仪表读数识别方法达到了 98.23%的识别正确率,达到了简化流程、提高鲁棒性的效果。