指针式仪表具有抗震动、抗高温、抗磁干扰等优点,故变电站依然大量采用。依靠人工抄表,不仅成本高、风险大,而且工作繁重、时效性不强。因此,实现变电站指针仪表读数自动识别具有重要意义。传统仪表读数识别流程是:仪表目标检测,仪表盘降噪,仪表畸变校正,仪表刻度提取,仪表指针分割,读数计算。显然,多流程节点和缺乏仪表水平校正会使识别精度降低,没有仪表类别、量程识别,削弱了算法的鲁棒性。针对上述问题,课题从仪表目标检测、仪表自动水平校正及仪表示数判读三个方面展开研究,设计了基于深度学习的端到端指针仪表读数识别框架。针对传统目标检测算法语义表达能力弱、目标识别率低问题,本文基于Res Net50和改进的UNet网络设计了变电站仪表目标检测算法。以Res Net50作为骨架网提取仪表特征。通过放大池化（Amplification Pooling,APPooling）优化UNet网络融合特征,基于SSD目标检测算法的回归思想使用融合的特征检测仪表。此外,为了获取量程信息、类别信息以及辅助后续的仪表校正,引入共享卷积复用特征图,即把UNet处理的输出特征作为一次共享卷积。指针仪表读数识别流程长、误差大的主要原因是难以设计一个目标检测过程和读数识别过程一体化的仪表读数识别框架,而设计该框架的主要障碍是变电站所采集的数据具有倾斜、旋转、畸变等特征。针对该问题本文提出了仪表自动水平校正算法。基于一次共享卷积检测仪表盘文本,并基于已识别的文本区域,采用随机采样一致性算法拟合消失点,通过消失点求出消失线,根据消失线与投影变换矩阵的关系实现文本的投影畸变校正,通过两组原本垂直的直线实现文本几何校正,从而将文本区域的原四边形校正为轴平行矩形以实现仪表文本的水平校正。然后使用文本水平校正矩阵对仪表盘特征进行校正,间接完成仪表的自动水平校正。最后,基于仪表盘文本识别仪表的量程及类别。此外,为了提取到仪表水平状态时的指针指向,再次以水平校正后的特征图作为二次共享卷积以实现特征图的再次复用。由于主成分分析算法（PCA）只能拟合无向直线而不能识别有向的仪表指针直线,本文采取重叠度策略优化PCA并基于优化的算法（DOO-PCA）设计仪表示数判读方法。基于二次共享卷积分割仪表指针,并通过DOO-PCA实现仪表指针的向量拟合。最后,通过指针向量、仪表类别及量程信息判定仪表示数大小及单位。通过实验进行对比分析,结果表明,本文提出的方法具有较高的目标检率、召回率和读数识别精度,对指针式仪表读数识别工作的研究具有一定的参考价值。