气液两相流在人类生活和工业生产中广泛存在，如在化工，石油，能源，动力，管道运输，制冷等各个工业领域都有气液两相流的应用。流型是气液两相流流动特性研究的基础，对气液两相流进行研究，需要首先对两相流的流型进行辨识，而气液两相流流型的正确识别取决于合适的流型信号特征提取方法和恰当的神经网络识别模型，所以对流型信号特征提取方法和识别网络模型进行研究不仅有利于提高流型识别效果，而且对气液两相流在工业生产中的广泛应用有重要意义。本文在搭建的气液两相流实验平台上，以水平管内水-气两相流作为研究对象，对获取的流型信号进行了去噪处理，然后采用信号特征提取方法对去噪后的流型信号进行特征提取，最后将提取的特征应用到不同的神经网络辨识模型进行流型的识别。在流型识别研究的具体方法上，采用小波变换方法对实验获得的流型信号进行去噪处理，比较了4种不同阈值规则的去噪效果；对于去噪后的流型信号，采用了小波包和经验模态分解法分别提取了信号的小波包能量特征和本质模态函数(IMF)能量特征，并将获取的流型信号特征，分别代入了BP神经网络，RBF神经网络进行样本训练和识别，结果表明，两种神经网络基本可以对两相流的流型进行有效识别，并且在采用RBF神经网络识别模型进行流型识别时发现基于经验模态分解法提取能量特征的方法识正确识别率为90.0%，其值为最大值，说明采用该种组合模型识别效果较好，而在采用同一种神经网络进行流型识别时，基于经验模态分解法提取能量特征的方法识别率要高一些。针对RBF神经网络，本文还采用了遗传算法对RBF神经网络的结构参数进行了优化，在基于小波包方法和经验模态分解法提取能量特征的情况下，对比优化前和优化后的流型识别效果，结果表明，优化后的RBF神经网络的识别效果均要好于优化前的RBF神经网络识别效果，而且采用经验模态分解法和优化后的RBF神经网络组合的识别模型，识别正确率为94.4%，错误识别组数仅为5组，采用该组合方法的识别率最高，识别效果也最好。