目前,我国国民经济的持续高速发展对能源特别是油气资源的需求越来越迫切。大型常压储罐作为石化行业中油品储存的重要设施,是被广泛使用又比较容易发生事故的特殊设备。它存在着使用的安全性和检测的经济性两大问题。大型常压储罐长年在自然环境和液位变化条件下运行,受到多种不利因素影响,不可避免地受到各种损伤。特别是环境中的化学腐蚀和电化学腐蚀所引发的腐蚀穿孔、裂纹扩展以及破裂等,造成介质泄漏,引起严重灾害和环境污染,给国家财产造成巨大损失。然而,常规的储罐罐底检测方法均要停止油罐收发作业和清罐、除锈、甚至拆保温等工序,其油品损失和施工措施费用很高,并且耗时长、效率低。因此,能够实现储罐在线检测的声发射技术得到了广泛的认同和研究。本文在查阅大量国内外声发射研究文献的基础上,自行搭建了一套获取储罐罐底腐蚀声发射信号的实验平台,并在此基础上,深入研究储罐罐底腐蚀、裂纹和储罐内扰动声发射信号的处理分析方法。通过大量的数据测试验证了小波特征提取与人工神经网络相结合的储罐罐底声发射信号处理方法的可行性。本文主要进行以下几方面的研究工作:1、分析了储罐罐底腐蚀发生的原因和机理,并在此基础上设计了一套储罐罐底腐蚀实验平台,采用腐蚀电化学方法激发可控制的点蚀信号。在相同的平台上人为制造裂纹扩展以及罐内油品扰动的声发射信号作为后续实验的对比信号。2、将基于小波分解和小波包分解的声发射信号特征提取方法用于储罐罐底声发射检测信号的特征提取,并分析两种方法的特征提取效果。3、将BP神经网络和RBF神经网络两种模式识别方法用于储罐罐底声发射信号类型的识别,并且构造了工程实际中常见的小样本训练情况,即无法得到大量已知模式数据的情况,并比较两种神经网络的测试正确率。4、通过大量现场实验数据的验证,确定了更合理的对储罐罐底声发射检测技术开展进一步研究的思路。