铸件无损检测系统能够透视铸件内部结构，其工作原理为数字化射线成像（Digital Radiography, DR），可对铸件的内部缺陷进行无损检测。在检测过程中，记录含缺陷铸件的工件号对其后续的质量评估、产品返修等操作显得尤为重要。批量处理铸件时，通过计算机自动识别DR图像的铸件工件号能克服传统视觉识别工件号受到主观因素和客观因素的影响，从而加快检测速度。其中，工件号字符识别的准确率和识别速度又是该项技术能否应用于实际的铸件工件号智能识别的关键性指标。所以，研究出快速准确的识别方法显得尤为重要。本文主要从预处理、倾斜校正、字符分割、字符识别四个方面进行了研究，最终确定出有效的算法对DR图像的铸件工件号进行识别。在对铸件工件号的DR图像进行识别之前，需对DR图像进行相应的预处理，其预处理主要包括增强和二值化。由于铸件工件号的DR图像比较模糊、字符与背景区分不明显，因此本文采取Gamma校正的增强方法来突出工件号字符，同时可相应削弱背景信息；然后采用基于二次边缘提取的二值化方法对图像进行处理，可得到比较清晰的图像信息。在实际的DR检测过程中，为了便于X射线穿透铁路铸件，铸件将会有一定角度的转动和摆动，因此，得到的基于DR图像的工件号会有一定的倾斜。这种情况会对最终的铸件工件号字符识别有较大的影响。为了避免这种情况，本文分析了几种常见的倾斜校正方法:如Hough变换法、主方向法等等。结合铸件工件号图像没有边框信息、噪声比较大且分布不均匀等特点，研究了惯性主轴法和Radon变换法分别对工件号进行水平倾斜和垂直倾斜校正，并对校正后的图像字符去毛刺和填补空洞。从实验结果可看出，本文采用的校正方法能较准确对倾斜的铸件工件号进行校正。字符分割分为垂直分割和水平分割，先根据字符的垂直投影，并结合工件号字符的宽度和间距比较固定这一特点，采用一种有效的垂直分割方法对字符进行分割，在垂直方向上得到单一的字符信息。然后，根据字符的水平投影对字符进行水平分割处理。最后对得到的单一字符的大小进行归一化处理。针对字符识别，本文分析了常见的模板匹配、神经网络、支持向量机（SupportVector Machine,SVM）、Adaboost四种字符识别方法，并进一步研究了一种基于SVM的工件号字符识别方法。基于统计理论的支持向量机方法具有较好的推广性，能有效地克服维数灾难。它能较好地解决小样本、非线性、高维数和局部极小点等常见难题。目前，SVM识别方法主要有车牌字符识别、手写体字符识别等应用。SVM可解决二分类问题，而基于DR图像的铸件工件号包括“0”-“9”十类字符。针对这种多字符分类的情况，本文在提取了400维字符的特征后，采用的是一对一的多分类字符识别方法，最终通过投票的方式来识别字符。实验结果表明，本文采用的字符识别方法对基于DR图像的铁路铸件工件号具有较高的识别率和较好的鲁棒性，可基本满足铸件工件号识别的实际应用需求。