目前,天然气管道建设工程发展迅速,但管道的腐蚀、老化、人为破坏等因素造成的泄漏事故频发,给人民生产生活带来许多不利影响。如何应对管道泄漏问题,对输气管道的泄漏进行及时识别与定位,对于维护管道的运营安全具有重大意义。本文提出一种改进的局部均值分解方法,将该方法运用于管道泄漏检测领域,并结合SVM理论模型、神经网络模型、互相关定位算法等,实现了管道泄漏口径识别与泄漏定位,同时结合相关实验,验证了其有效性。局部均值分解(LMD)算法是一种新型的自适应信号处理方法,在处理非平稳信号(如管道泄漏声信号)方面具有较好的效果。本文通过仿真信号验证了该方法在信号自适应分解方面的准确有效性,同时针对该算法本身存在的缺陷——模态混叠进行改进,通过多次加入高斯白噪声进行分解,最终改善了这一现象,提高了信号的信噪比,并得到一种改进局部均值分解(ELMD)算法。在完成算法的改进与完善后,本文将采集所得的管道泄漏信号进行ELMD分解,得到若干PF分量,用于后续口径识别与泄漏定位的研究。在泄漏口径识别与分类阶段,首先对各PF分量进行Hilbert变换求得其包络谱,将得到的包络谱熵作为不同泄漏口径学习与分类的判据;接下来引入支持向量机(SVM)与神经网络(NN)模型,分别考察两种模型下管道泄漏口径的分类情况,通过改变核函数及调整相应核参数,以寻找模型的最优解,并将不同模型进行对比,对各模型的分类效果进行综合评价。在泄漏定位方面,本文采用互相关方法,设立了三种传感器架构方案,对两点同步泄漏的情况进行分析,并结合两点接受信号的时间间隔结合声速对泄漏孔进行定位。在互相关算法的基础上,本文提出一种基于ELMD峭度值的定位方法,通过提取经ELMD分解后的各PF分量的峭度进行对比,取峭度值高的PF分量作为主PF分量,并对信号进行重构。实验证明该方法与传统互相关算法相比,能有效降低定位误差,获得更准确的位置信息。本文通过实验证明,改进局部均值分解算法在管道泄漏检测与定位领域具有较好的应用效果,通过与其他算法相结合,对于泄漏口径的识别与定位具有一定的优势,为实际工程运用提供了理论支持。