抽油杆是有杆抽油设备的重要部件之一,在工作过程中承受循环拉应力,在安装和向井下输送过程中受到冲击、挤压等载荷,并且在恶劣的工作条件下,极易产生裂纹、腐蚀等缺陷,若不能及时发现,将会发生抽油杆在井下断裂的事故,造成巨大的经济损失。因此,对抽油杆的表面缺陷进行检测和正确识别,并采取相应的措施,对减少抽油杆断杆和脱杆事故,降低采油成本具有十分重要的意义。目前,对抽油杆的自动检测主要集中在裂纹的检测,但腐蚀、偏磨有时却是裂纹产生的直接原因,因此及早发现非裂纹故障并对油杆进行修复,能够避免裂纹产生,延长油杆使用年限。本文以研制和开发适合于现场抽油杆缺陷检测和识别系统为目标,分别在抽油杆的检测方法、信号去噪、特征提取和模式识别等方面进行了研究。在检测方法上,对能实现自动检测的无损检测方法：涡流法和漏磁法进行了实验室的抽油杆样杆检测,检测结果表明：漏磁检测法优于涡流检测法,受影响因素少,检测精度高。在信号去噪方法中,提出了采用改进小波阈值函数去噪的方法对抽油杆缺陷信号进行去噪处理,改进阈值函数可以被看成是硬阈值函数和软阈值函数的线性组合,具有软阈值函数的连续性,同时又能在软、硬阈值函数之间进行灵活选择,通过选取适当的α值得到实用有效的阈值函数,通过实验数据表明,改进阈值去噪方法是有效的。在特征提取方法上,将小波包能量法运用到抽油杆缺陷的特征提取中。小波包能量法利用小波包变换在多层分解后的不同频带内的能量来分析信号,使本不明显的信号频率特征在不同分辨率的若干子空间中以显著的能量变化的形式表现出来,并与系统的正常输出相比较,提取出反映系统故障的特征信息。实验数据分析证明了这种方法的可行性。同时,辅以时域峰峰值特征,形成了混合特征向量,应用基于类内类间距离的可分离性判据,证明了混合特征可分离性强,在一定程度上可提高特征分类的有效性。在模式识别上,比较了BP神经网络、PNN神经网络、1-v-1的支持向量机以及改进的1-v-1支持向量机对抽油杆缺陷识别的效果,其结果表明,改进的1-v-1支持向量机法识别率高,更适合于现场抽油杆缺陷识别。改进的1-v-1支持向量机是对传统向量机解决多分类问题的“一对一”模式的改进,使用最直观,最自然的类隶属测度-距离,解决了不可分区域的影响,提高了缺陷识别率。在上述研究基础上,开发了基于小波和改进SVM的抽油杆缺陷检测和识别系统,该系统已成功应用于某采油厂,经应用证明,本系统对降低采油生产成本,延长抽油机井检泵周期具有重要意义。最后,本文针对现场检测中裂纹缺陷杆检测精度低的缺点,提出了一种通过拉伸抽油杆使微裂纹张开后的漏磁检测法。该方法在材料弹性范围内,使用液压装置拉伸微裂纹来提高漏磁检测的精度和灵敏度,对带有0.1mm和0.3mm的人工裂纹45’钢的实验样杆和疲劳裂纹样杆的检测结果表明：不仅能够保证样杆的无损检测,而且与常规方法相比,在相同条件下,可提高微裂纹的检测精度,同时提高漏磁检测的灵敏度,这为现场抽油杆漏磁检测裂纹的精度和灵敏度的提高提供了一个有效的途径,也为棒料的微裂纹检测提供了参考。