能源运输关乎国民经济命脉,其中石油能源的管道运输具有不可或缺的地位。随着输油需求日益增长,管道缺陷故障诊断模型自动化、复杂度及集成度也随着增加。人工智能给工业大数据分析带来的了革新,工业智能化的管道缺陷故障反演也具有重要的意义。因此在对相关文献进行研究的基础上,本文所做的创新工作如下:第一,针对多变环境下漏磁信号复杂度高,漏磁信号与缺陷尺寸之间非线性关系难以刻画的问题,提出了一种基于Stacking Learning的管道缺陷反演方法。通过提取复杂信号的动态多域特征,捕捉信号在时域和频域的非平稳特性,并以此为基础提出基于动态多域特征输入的迭代Stacking缺陷尺寸反演网络。通过综合评价函数实现了自适应学习模型参数,提高了算法对不同样本集缺陷反演问题的泛化能力。最后,在真实信号与仿真信号的混合集上验证算法的优越性。第二,针对漏磁管道故障诊断的小样本问题中,带标签样本有限,不足以支撑模型建立,提出一种基于特征迁移的几何统计分布适配反演方法。该方法通过在不同分布数据的域间进行联合分布适配,拉近源域和目标域分布距离,在此基础上,加入几何结构相似性和统计结构相似性的度量优化,提高模型适配度和拟合度。最后在通用数据集和真实漏磁数据集上进行与其他现有方法的对比实验分析。第三,针对现有反演方法依赖于漏磁领域专家经验,所用的浅层网络提取的构造化特征浅薄的问题,提出一种基于元学习的深度迁移网络。该方法首先通过深度表征适配和概率分布差异修正获得高度抽象,紧致的特征表示。然后,针对总是忽略已有多个相似源域、多次迁移经验的情况,将以往深度迁移网络经验参数化为潜在空间的映射因子,从中学习到一个映射函数,让模型学会从经验中迁移,自动确定迁移内容,减少计算复杂度和探索花费的人力时间,为深度网络的域迁移问题提出了一个通用框架。