天然气工业对国民经济发展及人民生活具有重要作用,管道运输是主要的运输方式,因此对于天然气管道泄漏的实时监测及泄漏孔径识别的研究一直受到关注。作为故障诊断理论的一种重要应用,针对天然气管道泄漏监测出现的新问题和新挑战,将近年来提出的压缩感知及深度学习理论引入泄漏信号的采集及分析中,为管道泄漏孔径识别研究提供了新思路。主要研究内容包括:首先,深入了解了管道泄漏监测的发展及现状,对泄漏监测出现的大数据量、采集及传输等方面遇到的新问题有了深刻理解。针对传统泄漏信号采集冗余量大、诊断过程主观性依赖程度高等问题,提出基于压缩感知理论在保证信号重要信息不丢失的情况下,以较小的冗余度实现对高维信号的压缩采集,引入深度神经网络分析压缩感知域信号,通过深层次结构智能且自适应地学习复杂泄漏信号中的隐含特征,挖掘出隐藏在数据内部的重要信息,高效地解决了管道泄漏孔径识别问题。其次,针对传统方法对先验知识和诊断经验的严重依赖,提出了压缩采集结合稀疏滤波深度神经网络的泄漏孔径识别方法。该方法根据泄漏信号的稀疏特性,通过测量矩阵实现压缩感知域信息获取,观测信号可视为一种自适应提取出的特征,再进一步通过稀疏滤波神经网络实现对采集信号特征的进一步精简,最后采用Softmax回归分类器实现了泄漏孔径的高精度识别。对该方法的重要影响因素也进行了分析,并通过大量实验验证了所提方法的有效性。最后,针对传统自编码方法存在的特征鲁棒性不佳以及训练中的过拟合问题,提出了压缩采集结合去噪自编码深度神经网络的泄漏孔径识别方法。泄漏信号进行压缩采集后,通过添加一定比例的随机噪声,采用自编码方法自适应地学习到鲁棒性特征,并采用过拟合校正的方法对隐藏层的特征进行随机处理,有效地防止了训练过程中的过拟合现象。最后基于Softmax分类器实现了泄漏孔径的高精度识别,并通过大量实验验证了所提方法的有效性。