随着电力技术和泛在物联网技术的不断发展,低效落后的电网格局成为智能社会发展的阻碍。特高压电网（Ultra high voltage network,UHV Network）作为一种高效、成熟的输电技术,已经成为电网格局、建设质量、大电网安全及创新发展的动力源泉。安全性是保障特高压电网建设的基础与首要目标,高压断路器是应用于高压及特高压电网中的重要的控制与保护设备,对于保证高压电网及特高压电网的安全平稳运行具有重要意义。然而人工读数的方式效率低、成本高、安全差,一直是困扰激光特高压电网安全性的难点问题,极大地影响了实际运维过程中的巡检风险与成本,严重阻碍了电网发展的自动化、智能化进程。针对上述关键技术问题和电力现场行业需求,本文基于特高压电网领域和人工智能领域的相关技术方法,设计了基于无人机巡检图像的气体绝缘金属封闭开关设备表盘识别系统,并通过实际系统搭建和采集数据分析实验测试了系统的可靠性和功能的有效性。本文的主要研究内容如下:（1）基于生成式对抗神经网络的图像去噪模型研究针对人工巡检成本高精度差等问题,本文面向无人机图去噪方法,建立了图像去噪模型。通过研究生成式对抗网络的基本结构,优化网络超参数,使得网络去噪效果最优。基于训练好的生成式对抗神经网络,生成模糊样本,用于模型训练与验证。（2）基于卷积神经网络的指针式仪表读数识别模型研究针对传统浅层机器学习模型泛化能力差,识别精度低等问题,本文根据卷积神经网络在图像分类检测领域的应用,研究了面向无人机巡检图像分析的卷积神经网络方法。设计卷积神经网络基本结构,优化网络超参数。（3）原型系统开发和实例分析基于前述无人机图像获取、图像预处理和图像识别等方法,本文设计开发了面向无人机巡检图像表盘读数识别系统设计与实现的计算机辅助原型系统,并以电网现场的图像获取和智能分析为例,验证了本文所提理论方法的有效性。