围绕室内管道与现场管道所采集的磁涡流缺陷数据开展了信号降噪、特征提取、无监督智能诊断和有监督智能诊断的研究。同时由于煤矿采空区管道风险状态难以估计,本文利用风险评估技术对复杂条件下煤矿采空区天然气管道的风险状态进行了深入分析。论文的主要研究内容如下:1.为解决传统降噪方法难以有效去除磁涡流信号噪声的问题,本文构建了基于自适应噪声完整集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）-最大均方差准则（Maximum Mean Square Variance Criterion,MMSVC）-自适应软阈值（Adaptive Soft Threshold,AST）的降噪体系。该体系通过加入自适应噪声进一步减小了模态效应,MMSVC能够很好地区分固有模态函数（Intrinsic Mode Function,IMF）内的主噪声IMF和主信号IMF,AST可以根据不同的能量分布进行自适应阈值降噪。为验证所提方法的降噪效果,对不同信噪比下的Bumps信号、Doppler信号、Blocks信号、Heavy Sine信号进行了降噪性能测试,并与其他方法进行对比,验证了CEEMDAN-MMSVC-AST降噪体系的优越性能。2.磁涡流信号特征提取的好坏某种程度上决定了后续诊断的精确度。在未知任何先验知识的条件下,为充分提取磁涡流信号中的有效特征,采用了基于时域特征和频域特征的经典分析法,利用主元分析法（Principal Component Analysis,PCA）对22个特征参数进行降维,获取了累计贡献率达到95%的6个主要特征。在已知先验知识的条件下,提出了基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）-相关系数法（Correlation Coefficient Method,CCM）-样本熵（Sample Entropy,SE）的特征提取模型,通过分析与原始信号具有高关联性的IMF差异性,实现不同类型信号的有效区分。3.预先获取未知现场管道缺陷类型的复杂度能够为检测人员的快速诊断指明方向。本文利用基于密度峰值算法（Clustering by Fast Search and Find of Density Peaks,CFSFDP）的方法进行聚类,提出了基于综合系数曲线最大平均变化率的聚类数量选取方法,确定了未知缺陷类型数据的最佳聚类数,实现对无监督类数据的准确聚类。4.传统的花朵授粉算法对反向传播（Back Propagation,BP）网络的优化能力不足。本文提出了基于综合对立算子和无限折叠混沌映射的改进花朵授粉算法,综合对立算子提升了花朵授粉算法的探索能力,无限折叠混沌映射拓展了花朵授粉算法的全局搜索范围。形成了基于改进花朵授粉算法和BP神经网络的高精度智能诊断模型,解决了常规BP神经网络难以有效识别天然气管道缺陷类型的问题。将该智能诊断模型应用于天然气管道未知标签的缺陷识别,验证和分析了该优化模型识别缺陷信号的能力以及工程应用的潜能。5.复杂条件下煤矿采空区管道的风险评估研究很少。本文结合取样回收的多步逆向云变换算法和结构熵权法,建立了适用于煤矿采空区管道的综合风险评估模型。该风险评估模型由两部分组成,一方面,建立了一个简化的快速风险评估模型,一旦关键风险因素出现立即被确定为高风险水平。另一方面,提出了一种综合风险评估方法,并被应用于确定最终的具体风险评估结果。在对某煤矿采空区管道的实地勘察后,利用现场获取的管道及采空区的具体参数信息,对该综合风险评估模型的有效性进行了验证。