数字水表作为管理城市居民用水的重要度量工具,在我国智慧水利的建设中扮演着至关重要的角色。作为当今应用最广泛的抄表方式,传统人工抄表存在抄表任务繁重、抄表效率低下、人力成本过高等诸多缺陷。为了解决这些问题,不少相关领域的研究者提出了很多基于传统机器学习或基于深度学习的解决方案,但这些解决方案存在两个问题:一是基于传统机器学习的读数识别算法对真实场景中的数字水表图像识别效果很差;二是基于深度学习的读数识别算法参数量过多使得模型体积庞大且识别速度较慢,导致其无法很好地应用到实际抄表任务当中。针对上述问题,本文提出一种基于YOLOv5目标检测算法的轻量级数字水表读数识别网络YOLOw。本文的主要研究内容及工作如下:（1）对卷积神经网络及目标检测算法的相关理论、技术进行介绍,并分析和概括读数识别领域的研究现状和研究方法,阐述了数字水表读数识别的研究意义及其应用价值。深入分析一些主流目标检测算法并概括它们的优缺点,为基础网络模型的选取以及数字水表读数识别网络的构建和改进提供理论依据。（2）针对表盘的非读数部分字符信息干扰读数识别的问题,采用分步识别读数的方法,将数字水表读数识别任务划分成两个子任务,先对原始水表图像中读数区域进行检测并分割,再对分割出来的读数区域进行读数识别,消除表盘其余无用字符信息的干扰。（3）为了让网络模型在实际抄表任务中在不损失过多精度的情况下,能够以更小的体量达到更快的识别速度,本文通过对卷积核数量进行删减的方式实现网络模型的轻量化,并对网络结构中的SPPF模块进行优化,用Mish激活函数替换掉原来的SiLU激活函数以提高识别准确率,同时在主干网络末端引入带CSP结构的Transformer模块,使网络模型在减少计算量同时提升识别效果。实验表明,在数字水表读数识别任务中,对于真实场景下拍摄的数字水表图像,YOLOw能以极小的体量和平均每张图像1.8毫秒的推理速度达到平均精确度均值99.2%的识别效果。