大型储罐及管道是石化行业中油品储存和运输的重要设施，一旦发生事故，极易引起火灾和爆炸，并造成严重的环境污染。研究先进的无损检测技术，对于保障石油储运设施的安全稳定运行，减少和避免环境污染具有重要意义。本文主要对基于声发射方法的大型金属储罐底板和管道在线检测技术进行了研究。 本文首先分析了声发射现象产生的机理及声发射检测的基本原理，并对不同模态的声发射波的传播和衰减特性进行了研究。通过对无载荷和水载作用下钢板中声发射波的传播特性分析，确定了大型常压金属储罐内罐底有效声发射源的传播路径，并以此为依据，对罐底检测声发射传感器的频率及传感器的布置方案进行了研究，实现了罐底声发射信号的采集与定位。 针对非检测区域的噪声干扰问题，提出了基于双传感器组的传感器优化布置方案，对罐底声发射检测过程中声源的方向进行识别，有效屏蔽了来自非检测区域的干扰声源信号。通过对容积3000 m3的固定顶煤油储罐的现场检测实验，验证了该方法的有效性。 本文采用BP神经网络对罐底声发射信号进行模式识别，消除了机械噪声和电磁噪声的干扰。通过提取声发射信号在不同小波分解频带上的特征系数，构造BP神经网络学习样本集的特征向量，优化了神经网络模式识别的性能，提高了神经网络对罐底腐蚀、裂纹扩展和泄漏等不同性质的声发射源的判别能力，使基于声发射在线检测技术的储罐底板结构完整性评价结果更加精确。 在声发射管道检测方面，本文首先对管道腐蚀裂纹声发射信号的检测及定位技术进行了研究，并提出了相应的定位补偿方法。采用声发射参数对管道在加载过程中裂纹“开裂前兆-开裂-扩展-快速断裂”的全部过程进行解释，弥补了根据常规力学方法在管道裂纹扩展速率预测方面的不足。 研究了管道泄漏声发射信号参数随压力、泄漏孔径大小、信号传播距离等的变化规律，并首次把Hilbert-Huang时频分析方法引入到声发射信号分析与特征提取的研究领域。将管道泄漏声发射信号分解为多个固有模式函数，通过提取包含有效声发射特征的IMF分量进行信号重构，提高了管道泄漏点的定位精度。验证了HHT变换是表征声发射信号的非平稳特征及参数提取的有效工具。