管道运输以其成本低、节省能源、安全性高、供给稳定等优点,成为石油运输的主要方式,在国民经济的发展中发挥着越来越重要的作用。但是,由于输油管道不可避免的老化,加上一些其他自然原因引起的输油管道的腐蚀与破坏以及人为的盗油事件,管道泄漏现象频频发生。因此,对管道安全运行系统的研究具有非常重要的意义。针对管道运行状态的不确定性问题,为了综合利用有效的特征信息以及提高泄漏检测的准确率,设计了一套基于多传感器信息融合的管道安全运行系统,提出了一种基于D-S证据融合的管道泄漏检测方法；并针对处于泄漏状态下的管道,提出了一种基于KPCA-SVR的泄漏流量估计方法。本文主要工作如下：分析比较了多种管道检测方法,在此基础上,基于多传感器融合的思想,对管道安全运行系统的实时系统部分进行了详细设计,该系统的特点是多级信息融合泄漏检测和在线一离线协调工作。为了全面有效地表征管道信号中所蕴含的信息,采用以小波包分解到各个频率范围内的能量来表征管道信号中的突变信息,以最小二乘多项式一阶拟合得到的斜率参数来表征管道信号的趋势信息。同时,针对能量特征向量维数高且非线性强的特点,利用核主成分分析对其进行了维数压缩,降低了管道状态识别的计算复杂度。针对所设计的管道安全运行实时系统,提出了基于支持向量机D-S证据融合的泄漏检测方法。该泄漏检测方法首先分别对管道压力信号特征和管道流量信号特征进行基于偏二叉树支持向量机分类器的构建,然后将待测特征数据送入分类器中并实现概率输出,接着利用D-S证据理论对概率输出结果进行融合。最后根据预先设定好的决策方法,对融合后的概率输出结果进行决策,实现最终管道运行状态的判断。在构建偏二叉树支持向量机分类器时,每个子偏二叉树支持向量机分类器包含多个支持向量机分类器。由于样本获取难易的不同,导致了样本分布不均,从而引起了支持向量机分类器的分类边界向少数类偏移。针对这一问题,提出了基于核K-均值聚类的多数类样本处理方法。该方法首先对多数类样本进行核K-均值聚类,然后选择聚类中具有局部空间代表意义的样本作为新的训练样本代替原始的多数类样本作为支持向量机分类器的输入。该方法有效减少样本失衡比例,显著提高了分类的有效性和准确性。在支持向量机参数寻优方面,提出了基于遗传算法的核K-均值聚类SVM的参数优化方法。当管道处于泄漏状态时,准确地判断泄漏流量的大小,对于控制事故发生的概率及严重程度、制定合理有效的应急救援措施具有十分重要的意义。针对输油管道系统的复杂性以及不确定性,为了有效地降低系统模型求解的复杂度并且提高泄漏流量估计值的准确度和精度,本文提出了一种基于KPCA-SVR的泄漏流量估计方法。该方法首先利用核主元分析对多种管道参数进行降维,然后利用SVR对降维后的参数进行回归拟合,从而实现管道泄漏流量的估计。