指针式仪表以其抗干扰能力强、使用寿命长等优势,被广泛应用在各类工业场所,尤其在石油勘探一类干扰强、气候多变、多辐射的复杂环境中。在这类工作环境中指针式仪表负责对现场机械设备的工作状态进行监测,目前指针式仪表读数仍以人工抄录为主。随着工业自动化、智能化的要求不断提高,一些关于指针式仪表示数自动识别的算法相继诞生。主要分为基于传统图像处理技术的指针式仪表识别方法和基于深度学习模型的识别算法。传统算法运行速度快,但是灵活性差、抗干扰能力弱、对图像质量要求偏高;基于深度学习的算法应用场景广、抗干扰能力强,但仍然存在许多可以改进优化的地方。针对传统图像处理算法存在的缺陷和已有基于深度网络的指针仪表自动识别方法的不足,结合石油勘探环境的实际需要,本文提出一种基于改进Mask RCNN模型的指针式仪表示数自动识别方法。该方法将深度学习模型与传统图像处理技术结合,能对背景噪声复杂、电磁干扰强、光照不均等恶劣环境下的指针式仪表进行检测,经验证该方法灵活性高、应用场景广、性能稳定。本文主要研究内容如下:（1）针对原始Mask R-CNN在仪表特征边缘处存在识别能力不足的问题,改进原始Mask R-CNN实例分割网络,并提出基于改进Mask R-CNN的指针式仪表示数自动识别算法。该算法利用主流的实例分割模型Mask R-CNN提取仪表特征信息,接着运用传统的图像校正、指针线拟合等技术计算仪表示数。为了使网络能够适应小样本数据集和提升网络的训练效率,本文利用迁移学习的方法对改进后的Mask R-CNN实例分割网络进行训练。改进后的Mask R-CNN实例分割平均精度（AP）提升了2%到3%,AP50达到了97.15%。（2）为了提高指针式仪表示数自动识别算法对仪表示数的检测精度,本文结合传统图像校正算法和指针线检测算法的缺陷,提出基于Hough变换的透视变换图像校正算法和基于SVD的最小二乘法指针线检测算法。这两种方法减小了仪表的读数计算误差,实现了对整个指针式仪表自动检测算法识别精度的提升。最终,在15张指针仪表图像上对比当前多个性能优越的指针式仪表示数自动识别算法,本文提出的指针式仪表示数识别算法平均相对误差最低,其值为1.970%。（3）为了满足工业环境智能化、自动化要求,搭建了便于移植的工业指针式仪表示数自动识别算法框架,并设计了相应的人机交互软硬件平台。