到工业快速发展的今天,各类压力管道、高压锅炉随处可见,在使用过程中由于腐蚀、磨损等原因可能会造成管道或炉壁材料破损导致泄漏,从而造成严重的经济损失和人员伤亡。声发射(Acoustic Emission, AE)检测技术是一种利用局部材料快速释放能量所产生的瞬态弹性波作为激励源的检测技术,在无损检测中占有重要的地位。通过对检测到的声发射信号进行分析处理,结合泄漏信号的检测理论、检测方法,实现对泄漏信号的分类识别,对于维护管道、锅炉等的安全运行,避免资源浪费,有着重要的理论价值和现实意义,因此研究一种适用于工业泄漏检测的方法迫在眉睫。论文主要提出了三种特征提取和类型识别方法。在实验室环境下共采集敲击、砂纸和断铅3种模拟泄漏声发射信号数据,论文中所有实验所用数据都是来自于此次信号采集。考虑到声发射信号和语音信号类似,故可以用分帧方法处理声发射信号,然后用自回归模型(Autoregressive Model, A R)提取每帧信号的特征值,组合起来构成特征向量,该方法能够克服传统AR模型参数提取方法应用在长时序列方面的缺陷,最后利用隐马尔科夫模型(Hidden Markov Model, HMM)对特征向量进行训练和测试。由于经验模态分解(Empirical Mode Decomposition, EMD)可以对信号进行平稳化处理,所以先对非平稳声发射信号进行EMD分解,得到平稳信号IMF分量,再对每阶IMF分量进行AR建模,提取各段信号IMF分量的AR参数组成特征向量,最后利用支持向量机(Support Vector Machine, SVM)对特征向量进行分类识别。同时为了对比分析,引入BP(Back-Propagation)神经网络识别方法,实验结果证明：SVM识别正确率比BP神经网络高。数学形态学(Mathematical Morphology, MM)信号处理方法在各领域已经得到了广泛应用,基于此,引入数学形态学知识,提出了一种新方法来识别声发射信号,首先分别对敲击、砂纸和断铅三种泄漏声发射信号进行多尺度数学形态分解；再分别计算其在不同尺度上的谱能量,并计算能谱熵值；再次计算每一尺度所占能谱熵的比例,将其组成特征向量；最后利用SVM对特征向量进行训练和测试。结果表明该特征提取方法识别正确率最高,实验证明将数学形态学知识与熵值结合引入泄漏声发射检测中是可行的。