管道泄漏事故的判断是泄漏检测技术中的重要内容。但在负压波检测方法中,由于管道系统运行影响因素复杂繁多,工况转换频繁,且调泵,调阀等操作工况与管道泄漏所引发的波形变化极为相似,泄漏状况难以识别,致使目前管道泄漏检测系统的误报警率普遍较高。另外,模式识别、神经网络等机器学习方法所基于的传统统计学理论是样本数目趋于无穷大时的渐近理论,而在管道泄漏检测的实际问题中,泄漏的样本数目极其有限,因此神经网络、模式识别等方法在负压波管道泄漏检测中的应用有很大的局限性。　　本文分析了传统统计学理论的局限性,指出基于结构风险最小化原则的支持向量机(SVM)比传统统计学方法具有更好的泛化能力。利用核函数,SVM方法可以很好地解决非线性问题的分类,最重要的是,SVM对于小样本数目的识别问题具有明显优势。因此,针对泄漏样本有限的情形下难以建立可靠的管道泄漏检测识别模型,本文提出了基于SVM的管道泄漏负压波检测方法,建立了基于SVM的管道泄漏检测分类器模型,并将SVM算法在C++Builder程序下编译实现,应用于小样本情况下管道工况识别与泄漏检测中。实验结果表明,在泄漏信号样本较少,工况较复杂的管道泄漏检测中,SVM分类器较神经网络学习方法具有更高的检漏准确率和更好的泛化能力。基于SVM的管道泄漏负压波检测方法在工况识别与泄漏检测实验中正确率较高,明显提高了泄漏检测系统的准确率,降低了泄漏样本有限的情况下检测系统的误报警率,提升了检测系统的可靠性。