随着管道运输业的快速发展,输油管道运输的安全运行成为了管道安全监测的一项极为重要任务。由于不可避免的腐蚀老化和人为破坏因素,近年来管道泄漏事故频繁发生,尤其对海底输油管道,一旦泄漏很难像陆地管道一样进行有效控制,造成经济损失、资源浪费,同时污染了环境,影响深远。因此,对管道泄漏检测技术的研究具有重要的理论意义和实际应用价值。输油管道运行过程中,管道内、外壁存在多种类型的缺陷,若对所有漏磁检测异常信号进行识别,则所需时间太长且识别精度不高,而通常定期的管道评估中,更多地只需要判断管道的破损程度,定性地识别缺陷类型,因此,本文针对管道缺陷分类问题,分析了支持向量机(SVM)多类分类方法的特点,提出了一种基于类间分离度的层次聚类二叉树(BT)SVM多分类方法；针对缺陷数据查看不便的问题,给出了缺陷可视化软件的设计。本文主要研究内容有以下几个方面：首先,分析了管道缺陷分类问题的特性,比较了支持向量机分类与神经网络等传统方法在对管道缺陷问题上的适用性,同时对SVM多分类方法进行了理论分析,初步确定了最优的管道缺陷分类方法。其次,针对BT SVM多分类方法的不足,提出了基于类间分离度的层次聚类BT SVM多分类方法,针对此改进分类方法,设计了分类模型,给出了训练与测试算法流程图,并进行了仿真验证。再次,将上述分类模型应用于管道缺陷分类,利用管道漏磁检测实验数据,仿真研究了一对一、一对余及改进的层次聚类BT SVM方法的分类性能,验证了改进的BT SVM多分类方法具有良好的分类准确性、快速性及推广能力。最后,给出了缺陷可视化软件的设计,将缺陷漏磁数据图形化显示,方便了监测人员对管道缺陷的查看及对管道安全性的分析。本文提出的改进的BT SVM管道缺陷多分类方法,理论与仿真实验充分证明了其可行性、有效性及较好的推广能力,达到了预期的效果和要求,有效地降低了管道缺陷识别的复杂性。