气液两相流广泛存在于现代工业生产之中,其流型极大地影响气液两相流的流动和传热特性,同时也影响其他流动参数的准确测量以及两相流系统的运行特性,因此,流型的客观和智能识别一直是两相流参数测量的一个重要研究课题,对指导相关设备的设计和运行具有重要的意义。本文在大量实验数据基础上,将小波变换、混沌理论、神经网络和数据融合技术应用到流型识别中,从理论和实验两个方面,系统地探讨了流型的神经网络智能识别方法。针对识别率不高的问题,将D-S(Dempster-Shafer)证据理论应用到流型识别中,提出了基于神经网络的多特征融合的流型识别方法。首先利用小波包变换对压差波动信号进行分解,根据相关性原理对信号中的噪声进行了辨识,得到频率大于64Hz 的压差波动信号为噪声信号;对小于64Hz 以下的信号进行小波去噪处理,并比较了不同小波母函数、小波阈值规则对去噪效果的影响。针对本文的实验数据,采用”db4”母小波和启发式阈值规则“Heursure”去噪效果最好。其次,利用Wigner 谱对不同流型的压差波动信号进行时频二维分析,证实其强非平稳性后,将统计理论、小波变换和混沌分形理论应用到流型的特征提取中。利用统计理论对去噪后的压差波动信号进行分析,计算了信号的均值、标准差、偏斜度、功率谱能量份额四个统计参数,分析了不同流型的变化规律;在讨论了相空间重构技术和混沌参数计算方法的基础上,计算了压差波动信号的关联维数、Kolmogorov 熵和Hurst 指数三个混沌特征参数,讨论了随折算气速的变化规律;在此之上,将上述7 个特征参数作为流型的一个特征量。再利用小波包变换,对信号进行4 层小波包分解,得到16 个频带信号,提取这16 个信号的小波包能量和信息熵特征,作为流型的两个小波包特征向量。将上述3 个特征向量的训练样本分别送入BP 神经网络、RBF 神经网络、Kohonen 神经网络和SVM 中进行训练,训练好的模型可作为流型识别的分类器。对测试样本的识别结果表明,基于小波包信息熵和RBF 网络的识别效果最好,但与其他组合相比,识别率相差不大。最后针对单一特征识别率不高的问题,利用D-S 证据理论,提出了多特征融合的流型识别方法。此方法将上述三个局部神经网络的输出结果作为D-S 证据理论的证据体,根据D-S 证据融合规则进行信息融合,得到最终的识别结果。与单一特征的识别方法相比,提高了流型识别的准确率。从理论上和技术上为气液两相流流型的识别提供了新方法。