在化工生产过程中,管道输送流体介质有着至关重要要的作用。由于管道输送受管道环境条件或第三方作用等影响,经常发生泄漏事故。降低管道泄漏对生产安全和经济性的影响,保证管道输送稳定运行,做到管道泄漏早检测、早发现和早维修,在理论研究和工程实践应用都具有重要意义。随着管道检测传感技术发展、信号处理技术增强和管道项目建设工程的增加,管道检测的数据量也越来越大,如何将大量测量数据处理加工,用于管道泄漏检测和诊断是当前研究热点问题之一。本文在参考大量文献和总结现有的技术方法的基础上,分别对管道检测信号处理、管道泄漏检测诊断和管道泄漏定位等三方面展开研究,具体工作如下:(1)针对管道上、下两端采集信号含有的噪声对泄漏检测的准确性和定位存在干扰问题,提出了一种改进型样条局部均值分解方法(Improved Spline-Local Mean Decomposition,ISLMD),将该方法用于信号降噪处理。首先采用三次样条插值函数代替局部均值分解(Improved Local Mean Decomposition,ILMD)算法中的中值插值函数,求解局部均值函数和包络估计函数,以改良中值插值函数精度不足和效率低下问题;为解决ILMD降噪中的边界失真问题,通过边界拓展的方法,使用基于自适应波形匹配技术和自适应扩展原始信号来克服计算上下包络过程中的边界失真问题;为了增加选择分解后乘积函数(Product Function,PF)选择的合理性,通过计算乘积函数与参比信号之间乘积相关因数,利用乘积相关因数判断乘积函数是否含有泄漏信息。运算结果表明,所提的方法能够有效的滤掉信号所含的噪声,还原管道首末两端压力信号信号,且具有较高的信噪比和较小的均方根误差。(2)针对常规的泄漏检测方法鲁棒性和泛化能力不足问题,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)的管道泄漏检测诊断方法。该方法将降噪后的管道测量信号转化为图像信号,通过卷积神经网络自适应提取泄漏波形特征,实现对不同泄漏大小的准确检测。而且单点泄漏信号训练得到的卷积神经网络模型也能拓展至其它泄漏点的检测,并具有较高的准确度。试验结果表明,所使用的模型具有更好的鲁棒性和泛化能力。(3)针对管道泄漏定位的时延估计问题,提出了一种通过泄漏量大小选择广义互相关加权函数的管道泄漏定位方法。该方法首先通过卷积神经网络检测泄漏量大小,在小孔径泄漏情况下选用SCOT加权函数,在大孔径泄漏情况下选择PATH加权函数。然后通过对首末两端压力信号的广义互相关分析,确定泄漏负压波时延进而进行泄漏定位。对比使用单一的加权函数,采用依据泄漏量大小选择加权函数具有更好的定位精度。