随着我国社会经济的发展,人们在日常生活中对石油天然气能源的依赖越来越大,成了人类生存的另一条生命线。管道运输作为第五大运输方式,它的安全性、经济性在运输石油天然气中有着不可或缺的作用。但是,目前在管道的监测和检测上还没有什么方法可以做到一劳永逸的,主要是一些小泄漏和渗漏的情况很难被检测出来。而发生过的管道泄漏事故,大部分都是由于渗漏和小泄漏未被检测到,最终造成不可挽回的损失。因此,许多研究人员一直致力于对管道泄漏检测的研究,找到一种能有效的对管道进行监测和检测的方法,减少泄漏事故的发生。本文针对管道泄漏工况信号和正常工况信号,进行信号消噪和泄漏信号检测的问题,主要进行了以下研究:针对采集的包含干扰信号的管道工况数据进行消噪的问题,本文基于小波包分析和局域均值分解方法,提出小波包优化局域均值分解的降噪方法。由于采用小波分析的消噪法其分解的低频时域和高频频域的分辨率低,即低频的时域信号特征分量会包含多种频率的信号信息,在高频域内信号的频率不再分解。而采用经验模态分解和局域均值分解的方法会产生比较明显的端点效应和模态混叠的问题。而经验模态分解相比局域均值分解,其端点效应和模态混叠的问题比较严重。因此,本文采用小波包优化局域均值分解的方法对管道工况信号进行降噪,降噪效果得到明显改善。针对管道泄漏检测准确率较低的问题,本文提出一种采用遗传算法(Genetic Algorithm,GA)优化的BP(Back Propagation)神经网络的管道泄漏检测方法。该方法利用GA求解BP神经网络的最优权值和阈值,构建BP神经网络的管道泄漏检测模型,通过对泄漏压力信号进行特征提取,建立泄漏特征向量,以此向量作为BP神经网络的输入,泄漏工况类别作为BP网络的输出。通过与基于粒子群优化(Particle Swarm Optimization,PSO)算法BP神经网络的泄漏检测准确率进行对比分析,该方法可针对泄漏信号进行准确检测识别。