水电站发电量由水电站流量水头控制,同时,库区内的水位、上流水位、毛水头等各类水文资料数据又被认为是维护整个水电站发动机组正常工作、堤坝安全进行监控的主要重点和对象,只有把水位资料自动及时的传递到管控决策层,上级的应用程序软件和控制系统才可以得出更加科学的判断与预测。传统水位监测方式通过水电站工作人员目测水尺读数或者专业的水位传感器测量实现,而水电站往往位于边远地区,环境恶劣,在极端天气环境,将会威胁到观测人员的个人安全,水位监测点线缆敷设大多数直接暴露在野外,加快了破损老化也容易被动物破坏,工程施工与后期维护相对困难。而随着视频图像技术的发展与应用,利用数字图像技术进行水位识别具有稳定性高和实时性强等优点,使其慢慢成为研究热点。因此,利用数字图像处理技术进行水位的监测是一个很有研究价值的课题,其对水电站的智能化管理具有重要的意义。本论文设计了一种基于数字图像处理的水电站水位获取技术,使用数字图像处理技术对采集的水位图像进行处理,经过深度学习算法识别水尺上的字符,并计算水位值。主要研究内容和创新点如下:（1）为了更好的适应有雾天气和弱光环境下的水尺定位,本论文探讨了多种图像增强方法,最终选择了暗通道先验算法从模糊的图像中恢复并增强水尺细节。（2）在预处理处理阶段,将拍摄的水位图片通过灰度化,二值化,边缘检测勾勒出待识别区域的轮廓,然后根据水尺特点,结合形态学处理去除背景,剥离出水尺,接着将水尺倾斜矫正。（3）在水尺字符区域分割过程中,将剥离出的水尺图像垂直投影,分割成左右两块,对左侧水尺图像取反后水平投影切割出字符。（4）在水尺字符识别过程中,将切割出的字符切分为单个字符,然后经过归一化、特征提取等操作后,将处理后的字符分别使用BP神经网络与卷积神经网络对字符进行识别,根据实际水位情况计算得到水位值,经过对比分析后卷积神经网络在运算时间与准确度上有更优秀的表现。基于数字图像识别的水位测量技术对硬件设备要求较低,能部分依托现有设备,具有设备与基础建设费用低、稳定性高、安装维护方便等特点,可以广泛应用于大多数水电站水位检测。