气液两相流广泛存在于现代工业,但其流型辨识和流量测量技术一直是国际上没有很好解决的一个难题,国内外研究人员进行了多方面的研究与探索。中国石油大学(华东)自动化系致力于开发一种新型低成本凝析天然气流量计,仪表硬件构成已设计完成,并进行了室内和现场实验,取得了大量的实验数据。在此基础上,本文对现有实验数据提取其不同的特征参数,利用这些特征参数作为神经网络的输入,用来预测流型和流量。首先利用小波模极大值滤波方法滤除测量数据噪声,从而为定量提取不同工况下的信号的特征做准备。其次利用混沌理论对滤噪后的压差信号进行分析,计算了压差信号的关联维数、Lyapunov指数和Hurst指数三个混沌特性参数,讨论了这三个参数与流型和流量的变化关系;同时也利用统计理论对压差信号进行了分析,计算了信号多尺度信息熵、PSD参数、PDF参数,均值、均方根、标准差、偏斜度、峭度和平均绝对偏差等参数,讨论了这些参数与流型和流量的变化关系。应用混沌理论和统计理论对压差波动信号的特征进行分析是本文的重点。最后将提取的特征值进行有机的组合作为神经网络的输入,并比较了BP神经网络和遗传BP神经网络的网络性能。仿真实验结果表明:所提取的混沌参数和统计参数可以有效的辨识流型和预测流量。并且经遗传算法改进的BP神经网络性能要优于BP神经网络性能。但由于神经网络的应用范围受到网络训练样本数据范围的限制,计量算法的推广性有待进一步研究。