抄表是水务运营和管理部门的一项繁重而重要的工作。人工抄表方式费时费力。更换数字化测量表存在改造困难、价格昂贵等问题。基于计算机视觉技术,指针式水表读数识别是一种有效的替代方式,无需更换水表。其中,传统图像识别方法识别准确率不够高,速度不够快。而基于深度学习方法对其进行检测与识别的研究,受到了人们的关注。本文旨在研究基于深度学习的指针式水表读数检测与识别方法,主要工作包括:1、构建了涵盖实际应用场景的指针式水表数据库。其中包括:制定了一套针对现实场景中的指针式水表采集规范,可以用于检测与识别模型的训练;针对少数不规范的指针式水表图像,提出了一套针对水表图像规范化处理方法,包括旋转、切割等主要步骤,降低了采集工作量;为了有利于检测识别工作,针对指针式水表图像设计了一种基于指针方向区间判断的标注方法。2、提出了一种基于暗通道先验和DehazeNet的去除水表图像中灰尘和水雾的方法。该方法利用场景和水表类型信息,设计了一种针对水表场景中的大气光成分的计算方法;针对水表拍摄场景的特点,改进了水表场景透射率的计算方法;并采用暗通道先验计算过程进行去除灰尘和水雾。实验结果表明,去除灰尘水雾模型使得均值平均精度(mAP)提升0.012,错误率下降12.77%,验证了方法的有效性。3、针对指针式水表图像,提出了一种基于R-FCN的检测与识别方法,并构建了网络,实现对指针式水表读数检测与识别。其中包括特征提取模块、改进RPN模块、新增多尺度特征检测模块、改进分类模块、位置敏感的ROIPooling模块。在RPN模块增加了残差块结构,使得感兴趣区域的提取更加准确。在特征提取模块和分类模块之间新增了一个多尺度特征检测模块,通过对不同尺度特征学习,简化了后续检测识别的难度。分类模块融合了多尺度特征检测模块的结果,并增加了残差块结构,有效的提高了水表指针的检测和识别的准确率,并降低因网络层深而导致的准确率下降问题。实验结果表明,本文提出的检测识别模型比原始R-FCN模型平均均值精度提升0.024,达到0.906,错误率下降20.34%,再结合提出的去除水雾模型后平均均值精度达到0.918。本文提出的指针式水表检测与识别方法,实现了指针的精确检测与识别,与现有深度学习网络,以及性能较好的传统检测识别方法相比,在性能上和速度上具有明显优势。