由于相界面分布及其作用机理异常复杂，气液两相流参数测量是多相流研究领域中的一大公认难题。钝体尾迹与其所在流场状态密切耦合，在很大程度上反映了流体的流动状态，是一个包含大量流动信息的“富流场信息源”。本论文围绕基于钝体尾迹特性的气液两相流流型识别方法开展研究，结合经验模态分解(Empirical Mode Decomposition，EMD)和支持向量机(Support Vector Machine，SVM)算法，利用钝体尾迹压差波动特性实现了气液两相流流型的准确识别。论文完成的主要工作如下:　　 (1)利用EMD方法对尾迹压差波动信号进行处理，通过分析各层内禀模态分量(Intrinsic Mode Function，IMF)，提取得到了气液两相流的三类流型特征:统计波形特征、能量特征和熵特征。并通过分析发现，采用独立类型的流型特征实现流型识别的难度较大，而三类特征的结合能使流型识别的精度得到明显提升。此外，针对EMD方法的模态混叠缺陷，采用了集合经验模态分解(EnsembleEmpirical Mode Decomposition，EEMD)算法，有效增强了IMF物理意义的唯一性，有利于流型特征的准确提取。　　 (2)为提高样本数据质量提出了样本择优和数据集调整方案，并对识别模型的构建过程引入传统网格（Grid）、遗传算法(Genetic Algorithm，GA)和粒子群优化（Particle Swarm Optimization，PSO）三种寻优方法对支持向量机建模参数进行寻优操作，通过比较寻优性能和计算结果，确定了遗传算法为最佳参数寻优方法。　　 (3)结合具备小样本建模能力的SVM算法，构建了性能优异的气液两相流流型识别模型，同时，引入主元分析(Principal Component Analysis，PCA)方法对流型特征进行简化，在保留绝大部分流型信息的同时，提高了SVM的建模效率，降低了流型识别模型的复杂度，实现了5种流型的高精度识别。　　 通过以上方法，气液两相流流型识别模型的训练精度为99.5％，测试精度高达99.1％，在测试集的识别中，只有泡状流的识别率93.3％相对较低，其他四种流型的识别精度都达到了100％。