仪表在我们日常生活和生产作业中随处可见,是采集数据和检测数据的重要工具。近年来,随着我国智能化和自动化水平的不断提高,人们对于仪表自动读数的需求也日益增强,尤其在一些变电站、发电厂等仪表密集场所,传统人工巡检的不便利以及巡检过程中存在的安全隐患,使得人们更加需要仪表自动读数技术的应用与普及。针对仪表自动读数问题,新型数字式仪表的读数比较方便,现阶段已经有非常多成熟的方案落地,而针对传统指针式仪表的自动读数的现有方案还不够成熟,存在识别不精确、易受环境干扰等问题,是亟待研究和攻克的难题。本文针对这些问题提出了两种不同方案的仪表自动读数算法,以及一种基于机器视觉的表计识别系统,并结合相关技术背景以及研究现状对这两种算法与识别系统进行了详细的研究和介绍。本文所做的主要工作如下:（1）本文在传统图像算法基础上设计了一种基于模板匹配以及霍夫圆检测的表计识别方法。算法通过表盘定位、指针定位、零刻度线定位三个步骤实现了指针式压力表的自动读数,主要使用了模板匹配法以及霍夫梯度法定位仪表,设计了一种旋转模拟指针法定位指针和零刻度线,最后对仪表定位算法以及读数识别算法进行了实验室环境下的测试,二者都达到了较高的准确率。（2）针对深度学习在仪表识别方向没有公开数据集的现状,本文通过搜集变电站图像,筛选标定了5000张图像制作了一个VOC格式的变电站仪表数据集。在实验室环境下模拟变电站环境拍摄标定了1600张图像制作了另一个图像清晰能用做指针识别的VOC格式的指针式压力表数据集。（3）通过分析发现传统图像算法在指针式仪表识别时易受环境影响,而深度学习算法受环境变化影响小,因此本文提出了一种基于深度学习的仪表读数识别算法。以轻量级网络YOLOv4-Tiny为原型,设计了仪表定位算法的网络,从引入注意力机制、改进特征融合机制、加入Mosiac数据增强三方面对网络进行了改进。而在指针定位与读数识别方面提出了基于霍夫圆检测和极坐标展开法的指针读数算法。对于仪表定位算法以及指针读数算法分别进行了相应的实验测试与分析,算法整体鲁棒性、稳定性和准确率都得到了一定程度的提升。（4）本文针对表计识别算法落地,设计了基于机器视觉的表计识别系统。系统的硬件部分采用了勘智K210芯片,使用OV2640作为机器视觉的摄像头,并设计了片外存储、下载调试等外部电路为系统运行提供硬件支持。表计识别算法也为了满足硬件以及实时性需求做出了适应性的改进,对于仪表定位网络进行了结构优化与模型量化,指针识别方面则选取了符合芯片算力的算法。为了方便远端监控,设计了QT界面实时查看表计图像以及显示读数。最终成功将算法部署到嵌入式设备上,并进行了相应的实验测试与分析,通过运行界面进行了整体系统的效果展示。