为解决现有长输油气管道泄漏检测精度低、成本高、受地形因素影响大的缺点,本文提出使用基于机器学习算法建立模型来替代传统的泄露检测方法。通过对管道运行信息的检测,以及相关数据的分析,提出了一种基于粒子群优化的深度神经网络模型,对长输油气管道运行时的数据进行分析处理,进而判断管道是否发生泄漏事故。该研究不仅降低了检测成本以及地形因素对于泄露检测的影响,同时还提高了泄漏检测的准确度。本文主要研究内容如下:首先对几种机器学习算法进行综合分析比较,从中选择最适合本文要求的模糊C均值算法来搭建模型。针对模糊C均值算法在迭代训练过程中所采用的梯度下降法,收敛速度慢、对训练样本的要求较高以及特殊情况下不收敛的问题,引入粒子群算法代替梯度下降法,对传统模糊C均值算法进行改进,从而能够更好地实现管道泄漏检测的目的。其次,在传统粒子群算法的基础上引入权值线性递减机制和量化器,得到了性能更优的改进粒子群算法,使粒子群算法搜索能力更强的同时,保证了粒子群算法原有的收敛性。采用几种经典的检测函数与原来的传统粒子群算法进行对比试验,对比其优化前后的各项特征值。试验结果表明,优化后的粒子群算法相比传统粒子群算法全局搜索能力更强,收敛速度更快。最后,将基于改进粒子群的模糊C均值算法应用到油气管道泄漏检测中。利用Matlab进行程序仿真,对管道泄漏平台数据进行分析处理,比较本文提出的基于改进粒子群的模糊C均值模型与传统模糊C均值模型、以及目前应用比较广泛的三层BP神经网络模型对于实验数据的识别准确率和识别速率。实验结果表明基于改进粒子群的模糊C均值算法模型,与目前常用的方法相比检测准确率更高,且稳定性很好,速率更快,可以进一步应用于实际长输管道现场。