随着我国经济的快速发展,工业生产中对石油的需求量急剧上升,对输油管道的依赖性也越来越强。在石油管道故障诊断领域,即使一些微小的故障都会带来价格昂贵的维护成本。为了减少管道的故障以及由故障带来的经济损失,石油管道的状态监测和故障诊断在降低停机时间和维修成本方面日益重要。良好的缺陷识别技术对管道安全运行有十分重要的意义。为了解决上述的实际需求,本文提出了一种基于三轴漏磁数据的缺陷识别决策融合方法研究,主要完成了以下研究任务:第一,相比于传统故障诊断大多仅基于轴向漏磁检测数据进行故障分析,本文从原始数据的选择就面向三轴传感器检测的漏磁数据,三轴方向分别是轴向、径向、周向。然后分别对三轴数据进行数据预处理,包括小波滤波、数据可视化、三轴漏磁数据转灰度图、三轴漏磁数据转彩色图和制作样本集。第二,首先通过传统的SIFT方法分别提取三轴漏磁图像的底层特征,生成标准化的特征向量,用于后续训练分类器使用,然后研究了性能更佳的HOG和dense SIFT描述子。之后研究了特征表达的主流方法,包括BOW词袋模型、SPM空间金字塔匹配、ScSPM基于稀疏自编码的空间金字塔匹配、LLC局部约束线性编码。第三,基于三轴图像样本训练SVM分类器,分析了支持向量机理论,而后研究了常用的SVM模型参数优化方法,通过寻找最优参数来帮助训练出性能良好的分类器。在实验仿真阶段,分别对三个单轴方向的漏磁图像进行缺陷分类识别,统计单轴缺陷识别的正确率。第四,研究D-S证据融合理论和BP神经网络决策融合理论,并与前文研究的SVM分类输出相结合,识别类别分两大类,一类是识别单峰缺陷和双峰缺陷,一类是识别缺陷和正常情况。将每组输出的三个缺陷判别概率通过决策层融合理论输出为最终的一个缺陷识别概率。此概率就是三轴传感器在三个方向上对同一个目标进行缺陷识别综合决策判定的结果。经仿真实验验证,在管道缺陷识别问题上,三轴缺陷决策融合识别正确率要优于单轴缺陷识别正确率。