抽油杆是油田有杆抽油系统中主要受力构件，在服役期常发生断脱事故，严重影响原油生产，给油田造成较大经济损失。因此，在实际工程中，如何采用有效的无损检测技术去防止或减少抽油杆发生断脱事故，提高抽油杆服役期限内的可靠性，是需要解决的重要问题。 现阶段，国内外普遍采用的抽油杆无损检测方法有漏磁法和涡流法，其检测对象主要针对抽油杆的静态缺陷，由于不能提供裂纹随载荷、时间和温度等外界参量变化而变化的实时或连续信息，因而也就无法实现对抽油杆的动态监测。而声发射检测是一种动态无损检测方法，它利用物体内部缺陷在外力作用下能够发射声波的特点，从拾取到的声波中推知物体内部发生缺陷的部位及情况。根据声波的特点和引发声发射的外部条件，不仅可以了解缺陷目前的状态，也能了解缺陷的形成历史，以及该缺陷在将来的实际使用条件下可能发生的扩展趋势。 实际应用中，由于声发射是以被动检测的方式用于动态监测，导致其所面临的噪声干扰问题比较严重。本文是以实验室声发射疲劳实验为基础，以抑制噪声并进行声发射信号的识别为目的，通过对大量声发射信号处理方法的分析和研究，指出：小波变换由于具有良好的时频局部分析性能，是目前处理声发射信号的有效工具。 在声发射信号的特征提取方面，本文采用基于小波变换的频带能量分布系数作为特征提取参数。实验结果表明，该提取方法可有效提高模式识别精度，为识别抽油杆的疲劳裂纹状态提供可靠依据。 在模式识别方面，通过构建BP神经网络，实现了抽油杆疲劳裂纹状态和声发射信号特征向量之间的非线性映射关系。同时，还讨论了网络隐层数、隐层神经元数的选取和网络训练等问题。 本文还利用LaabVIEW提供的MATLAB Script节点构建了一个基于LabVIEW的声发射信号处理和BP网络识别平台。该平台把LaabVIEW和Matlab有效地结合在一起，方便、直观、准确地实现了抽油杆疲劳裂纹声发射信号的状态识别。