管道检测是保证输油管道安全运输的重要手段，漏磁通法通常被广泛的应用于输油管道的在役检测，而缺陷鉴别是漏磁检测的最终目的。本文诣在寻求一种通过对漏磁信号的分析来描述管道缺陷形状的方法，亦即通过训练神经网络的方法来预测管道缺陷的二维形状(指单检测方向上的长度和深度)。 论文首先介绍了漏磁检测的基本原理和漏磁检测装置的工作原理及基本结构；为了得到用于训练神经网络的大量样本，比较详细的介绍了ANSYS有限元仿真软件在本课题中的应用，并分析了漏磁信号和缺陷形状之间的关系。 其后，本文较详细的介绍了神经网络的基本理论，包括神经元模型，神经网络的基本结构和神经网络的学习方法；重点对神经网络的逼近作用展开论述，分析了具有函数逼近作用的径向基(RBF)网络的实质，并讨论了RBF网络的学习方法。 最后，将径向基网络应用于管道漏磁信号的分析中，无论是仿真信号还是试验信号，网络都能达到预测缺陷的二维形状的目的。从预测结果分析，网络在预测缺陷的长度上能达到很好的效果，而在缺陷的深度上的预测效果依赖于网络性能的提高。而网络性能的提高决定于样本的数量，基函数的选择和基函数中心的选择方法。分析可知，样本的数量越密，网络的性能越好；在基函数的选择上，高斯函数使网络的性能较好；在基函数中心方法的选择上，样本数据具代表性时，可使用随机选择中心法，样本数据不是很好时，比较k-聚类方法和有监督学习选中心法，有监督学习选中心的方法效果较好。 本课题的目的是通过训练神经网络来预测缺陷的二维形状，结果表明此方法达到了预期的目的，为缺陷的智能判别打下了良好的基础。