随着信息技术的不断发展,智能建筑、智慧城市已经成为如今一个重要的发展目标,指针式仪表由机械结构构成,其结构简单,不受各种温度、压力、电磁干扰等因素的影响,造价便宜且相比于电子仪表更加稳定可靠,目前仍大量应用于存储运输、化工、燃油煤矿、电气、水利等领域的设备测量监控中,由于这些仪表工作场景条件复杂,使用人工进行巡检看护效率低成本高,难以适应如今信息化的现代生活需求。近些年来设备性能的改善及深度学习技术的不断发展,使得图像识别读表已逐渐成为解决这些无人值守环境读表问题的一种有效方案。本文旨在研究基于深度学习目标检测算法的指针式仪表读数识别方法,在现有指针仪表读数方法的基础上,针对对于实际复杂工作环境现有方法难以适应的问题,本文提出了一种基于中心点检测网络CenterNet的指针式仪表自动读数识别方法,提升了算法的准确性与鲁棒性。主要工作内容包括:（1）针对现有指针式仪表检测算法中多尺度特征利用不充分导致小目标检测效果差的问题,本文设计了一种基于改进CenterNet的CenterNet-F-EResNet50目标检测算法,通过使用跳层连接的方法,加强网络对于多尺度特征层信息的利用能力,并在主干网络中引入注意力机制,进一步加强网络的特征提取能力,使网络能够自适应地关注不同尺度特征,提升网络对于小目标检测的效果,然后标注并建立了仪表检测数据集,AP指标是一种综合考虑了准确率与召回率的评价指标,AP50与AP75表示预测框与实际目标交并比达到50或75时视为预测成功的AP值,在数据集上的实验结果表明,改进后的网络相比原始CenterNet网络,其准确率提升了 4.87%,AP50指标提升了 4.23,AP75指标提升了 6.35,对比其他仪表检测常用算法,其识别精度更高,速度更快。（2）针对使用传统图像识别方法检测指针角度鲁棒性差,且对不同类型的仪表无法通用的问题,本文通过将指针角度检测转化为深度学习目标检测算法中的回归问题,设计了一种CenterNet-F-EResNet50+θ旋转目标检测算法,使网络模型能够端到端的同时检测出指针的位置坐标与旋转角度,然后根据该改进由于直接预测角度产生的角度周期性边界问题而导致检测精度下降的情况,进一步提出了一种使用目标方向向量来代替角度进行预测的方法,提高算法对于角度边界处旋转角度预测的准确性,然后标注并建立了仪表指针旋转检测数据集,在数据集上的实验结果表明,相比直接预测角度,最终改进的算法使指针的AP50指标提升了 1.03,AP75指标提升了 9.57,相比传统识别方法,本文方法准确度及适应性更好。（3）基于以上两种目标检测算法提出了一种应用于工业场景的指针式仪表自动读数方法,通过先识别仪表表盘,再端到端地识别出指针旋转角度的方式完成读数的计算,解决了现有仪表识别算法难以应用于复杂工业场景的问题。经实验,本文所提出的自动读数方法能够对不同类型的指针式仪表准确完成读数,使用本文方法进行读数计算的平均引用误差为0.962%。