铺设于海床之上的输油管道在石油运输方面发挥着重要作用。由于受到海潮周期性涨落的影响，海底管道附近海床会被冲刷，长期的冲刷会造成海底管道的裸露、悬空和位移，诸如此类的状态会影响海底管道的正常运行。目前检测海底管道的状态主要通过侧扫声纳采集管道的声学图像，然后人工的对图像进行判读，存在效率低、科学性差等缺点。针对这些问题，本文提出了以解析原始数据为基础，采用BP神经网络和稀疏表示等智能算法实现海底管道状态的识别分类，其主要研究工作如下：首先，本文利用DGPS技术和侧扫声纳采集数据技术采集了杭州湾海底管道的侧扫声纳数据，并分析了海底管道各种状态的形成原因，为后续研究提供科学的实验数据。其次，在侧扫声纳图像识别研究中，通常在侧扫声纳数据显示软件上直接截取图像作为数据源，但是显示软件所显示的图像并不能客观的反应采样数据的大小。因此，本文提出解析原始侧扫声纳数据（XTF格式），从XTF格式数据中提取能反应海底信息的采样数据，将采样数据转换成能用于图像识别分类的灰度值矩阵。同时，本文利用Visual studio2010开发一款用于滚动显示采样数据的软件，该软件方便实验对比研究。最后，本文利用BP神经网络和稀疏表示两种分类识别算法分别建立海底管道状态的识别分类模型。在BP网络识别分类模型中，对采样数据转换而成的灰度矩阵进行图像预处理，然后制作成训练样本和测试样本，建立基于BP网络的海底管道侧扫声纳图像状态识别分类模型实现管道状态图像的分类。在稀疏表示识别分类模型中，将灰度矩阵转换成灰度-梯度共生矩阵，通过由样本灰度-梯度共生矩阵的数字特征构成的稀疏字典实现海底管道状态图像的识别分类。然后，对比分析两种模型的实验结果，阐述两种分类识别算法的各自的优势，为今后海底管道状态检测研究提供方向。