针对现有指针式仪表读数识别算法存在鲁棒性和通用性差的问题,本文对算法中的关键步骤展开了研究,并提出了一套基于深度学习的指针式仪表读数识别新算法,主要步骤包括图像校正、图像极坐标变换以及仪表示数计算。本文的主要研究内容包括:（1）基于刻度值文本的图像校正方法。针对传统图像校正方法存在仅适应某一特定仪表和鲁棒性较差等问题,且考虑到刻度值文本是仪表的通用特征,本文提出了一种基于刻度值文本特征匹配的仪表图像校正方法,能够很好地应用于不同外观仪表图像校正中。（2）基于刻度值文本的极坐标变换中心提取。目前精度较高的极坐标变换判读法大多采用基于刻度线特征提取极坐标变换中心的方式,而刻度线仅包含极少量的图像特征信息,因此使得识别算法容易受到强光和阴影等环境因素的影响。而刻度值文本图像往往具有较多的图像特征信息,由此本文提出了一种基于刻度值文本的极坐标变换中心提取方法,该方法通过引入神经网络获得非常稳定的定位及识别结果,其鲁棒性远高于基于刻度线特征的提取方法。（3）基于二级区域搜索的仪表指针和刻度线提取方法。现有的极坐标变换判读法中的指针和刻度线提取方法容易受到表盘中其他无效信息影响,从而导致提取准确性差。针对这一问题,本文提出了一种基于二级区域搜索的指针式仪表指针和刻度线提取方法,该方法有效排除了表盘中其它干扰信息对指针和刻度线提取的影响,提高了算法的准确性。本文还建立了包含不同采集环境下的指针式仪表图像的数据集,并通过实验仿真对对本文提出的算法进行了有效性验证与准确性评估。与其他方法进行了实验比较,本文所提出的这一套识别算法具有更高的可靠性和有效性。