供水管道是保障日常生产活动正常进行的重要基础设施,在长期使用中受自身寿命或外界破坏性因素的影响会发生破裂造成漏损。及时的泄漏检测对节约水资源、防止二次污染以及可能带来的次生灾害至关重要,目前常用的检测方法通过采集和分析振动信号确定泄漏是否发生。泄漏振动信号十分微弱,采集时受环境噪声影响大,传统的检测方法无法有效地区分环境中存在的非平稳噪声,检测效果不稳定并且依赖检测人员的经验。大量的泄漏检测设备一般将振动传感器部署在管道上或者地面上进行检测。对于从管道上采集的泄漏振动信号,基于梅尔倒谱系数的特征提取方法更好地保留了泄漏信号的时频变化特性,同时结合梅尔倒谱系数的一阶/二阶差分系数以提取泄漏信号的动态特性,融合后的特征能够在混杂平稳和非平稳噪声的信号中提取有效信息,同基于支持向量机的分类模型相结合提高了检测的准确性。从地面采集的泄漏信号易受干扰,特征提取加分类的方法无法实现稳定高效的检测。基于时域卷积的原型网络采用端到端学习的方法同时进行特征提取和分类,不需要人工设定特征。其中,时域卷积自动提取泄漏信号之间的内在关联特征;原型网络通过参数化与非参数化结合的方式避免出现过拟合现象,利用置信度估计的方法改善编码后同类样本数据的类原型位置,提高检测的准确性,并且能在样本数量较少时也得到满意的性能。实验结果表明,当传感器部署在管道上,同频域特征和梅尔倒谱系数特征相比,梅尔倒谱系数融合特征同支持向量机结合具有更好的检测效果,准确率分别提高了19%和13.1%。当传感器部署在地面,基于时域卷积的原型网络同VGG-16和Res Net-18模型相比具有更高的准确率和更快的收敛速度,在样本数量少时提高更明显;相比于分别采用CNN、LSTM作为编码表示和采用均值计算类原型的原型网络,基于时域卷积和置信度估计的原型网络分类性能更好,准确率分别提高了4.91%、7.67%和1.75%。