目前在工业生产中还使用着大量的老式指针仪表和无数据通信接口的数字仪表,对数据的记录还需人工完成。人工数据采集工作强度大、效率低,更换智能化仪表投入大、成本高,在一些特殊环境中,还存在一些安全隐患。此外,现阶段现场人工数据采集已经满足不了当前快速发展的生产、科研需求。因此,利用机器视觉对仪表图像进行识别的方式将越来越适用。本文以实际应用中常见的两类仪表为研究对象,对仪表图像的预处理、目标表盘检测定位和图像校正、仪表读数识别方法等进行了研究。分析影响仪表图像读数识别的因素,如复杂背景、光照条件等问题,研究表盘读数图像智能识别方法。本文主要研究内容有:（1）图像预处理方法研究。通过对获取到的弱光图像进行分析,研究了基于Retinex-Net神经网络的暗光图像光照度增强算法,使得增强后的图像达到可以后续识别的程度。通过对原始仪表图像进行模糊度检测,剔除由于图像模糊而不能后续识别的仪表图像。通过对图像的滤波增强算法进行研究,去除仪表图像中的噪声影响,凸显感兴趣部分。（2）目标检测方法研究。通过对传统算法的分析与研究,发现传统算法容易受到背景、光照等因素的干扰。为了克服这些干扰,最终使用了YOLOv4-Tiny的目标检测算法,并做出了优化改进。该方法能够准确的在复杂背景中检测到仪表表盘,同时还不受环境等因素的干扰。针对获取的存在一定倾斜形变的仪表图像,为了后续能够准确的进行识别,使用透视变换算法进行处理。（3）指针式仪表读数识别方法研究。通过对仪表表盘的二值化图像进行连通域标记和筛选处理,提取刻度和指针区域。通过对这两个区域进行处理,拟合刻度和指针直线获得仪表读数的关键信息,在此基础上根据角度法完成读数识别。实验表明图像识别结果与指针式仪表读数基本一致,识别精度达到了仪表本身精度,说明了该识别算法是有效的,具有实用价值。（4）数字仪表读数识别方法研究。通过对获取的字符区域二值化图像进行处理,获得各个字符的位置信息,通过对字符的分割归一化完成识别的前期工作,最后利用BP神经网络完成识别。实验表明图像识别结果准确率高,说明了该识别算法是有效的,具有实用价值。