水文监测是及时获取河流湖泊水情的有效途径,其中关键的一环是水位观测。水位观测是指对河流湖泊等的水位进行实地测定,它不仅能够直观地反映河流水情,还有利于及时发布水情预警。近年来,基于计算机视觉技术的图像测量方式开始应用于水位观测任务中。使用传统图像处理技术的水尺检测和水位识别方法需要手工设计特征,这严重影响了检测和识别的性能。而深度学习的方法通过卷积神经网络来自动提取特征信息,可显著提升检测和识别的性能。但是,深度学习方法的一个最大局限在于对数据集的依赖程度。本文基于深度对抗网络,在已有的少量水尺图像数据上进行增强,生成符合水文场景分布的水尺图像。基于视频图像的水位观测任务主要是对自然河流的水位进行检测。本文依托江西婺源某水文站水文监测的相关数据,对野外自然河流的水位检测工作的主要影响因素进行研究,整个水位检测任务包括水尺检测、水尺数字检测、水尺区域分割以及水位值识别,最终实现了基于视频图像的河流水位的自动化识别。论文的具体工作内容如下:（1）基于深度对抗学习的水尺图像增强技术研究。基于深度学习的水尺检测方法需要大量的水文场景下的水尺图像和对应的标签,所以水尺增强的效果不仅要符合真实水文场景,还对尺身上的数字及刻度清晰度有很高的要求。综合上述考虑因素,本文设计了一个深度对抗模型。该模型基于Unet++结构,并设计了一个下采样模块和上下文校正模块。下采样模块有效的将水尺分割图信息融合进模型,上下文校正模块有效融合不同层级的特征信息,减小了图像生成过程中的语义损失。实验结果表明,本文提出的方法有效改善了水尺图像的生成质量,可以满足水位识别的需求。（2）实际水文监测场景下的水位值识别技术研究。高效的水尺检测方法需要能处理多场景多干扰下的水尺图像,同时水尺图像中的水位线是语义特征而不是图像特征,造成水位线检测难以实现。此外,多水尺场景下的水位唯一性检测也是难点。本文针对上述问题,使用目标检测模型来检测复杂场景下的多水尺位置和尺身数字的位置,以获取粗提取的水位高度信息。然后使用语义分割模型来分割水尺图像中的水面之上的水尺部分,以提取精确的水位线。综合上述两个步骤中水位线和水尺数字的信息,得出精确的水尺水位值。实验结果表明,本文提出的方法有效改善了复杂场景下的水位值识别问题。本文通过深度学习算法解决了实际复杂水文场景下的水尺水位的识别任务。针对目前缺少水尺公开数据集的问题,利用深度对抗模型的图像增强能力,设计了CA-GAN生成模型,有效生成了符合实际场景的水尺图像。同时利用目标检测模型检测水尺和尺身数字的位置,利用图像分割模型精确检测水尺水位线的位置,结合两个模型结果达到了水位值识别的目的,识别精度可达到厘米级,满足水位观测标准要求。