基于机器视觉的仪表识别是电力机车检修作业数字化、智能化的重要技术方法。仪表智能识别系统应该实现表头分类、仪表计量数据识别、计量数据自动入库。但是目前多数仪表的识别系统没有表头分类的功能,复杂光照条件下文本提取的方法通用性差,存在几何形变的文本识别准确率有待提高。针对以上问题,本文就表头的特征定义与分类,复杂环境下快速提取文本和文本识别三个方面进行研究,具体研究内容包括:(1)带自适应窗宽和二值化评价策略的局部阈值分割考虑到光照不均匀引起文本丢失和伪文本,在Niblack算法定义的基于局部阈值分割的文本提取框架下引入基于显示区域ROI尺寸的自适应窗宽,此外,利用二值化评价策略定义的二值化终止条件优化文本定位。改进后的算法有效地提取文本同时减少伪文本。(2)基于Zernike矩的文本识别针对现场提取的文本存在旋转、平移、尺寸和彷射变化,采用具有旋转、平移、尺度和彷射不变的Zernike矩作为文本的特征描述。标准化后的特征向量输入Nearest-Neighbor分类器实现文本的识别。在文本有效提取的条件下,实验结果显示文本识别准确率满足技术协议的设计要求。(3)基于颜色常量和文本Zernike矩组合特征的表头分类表头具有丰富的颜色信息,不同仪表显示的文本结构各异,综合这两个特点,在高斯彩色模型的基础上定义一个独立光照的颜色不变特征,同时,借鉴文本识别中文本的Zernike矩特征组成的特性向量组合实现表头分类。仪表数据库的测试结果显示基于该组合特征的表头分类取得稳定的分类效果。