为了实时了解天然气管道的运行状态,提高管道运行的可靠性与安全性,必须对管道的运行状态进行监测。天然气管道数据监测与采集（Supervisory Control And Data Acquisition,SCADA）系统提供了海量的压力、流量和温度等运行数据,如何从海量的数据中挖掘管道的运行工况信息,是当前管道运行状态监测的主要研究方向。因此,论文基于数据驱动方法,为进一步挖掘管道数据的深层次信息,提出以深度神经网络为工具设计相应的管道状态监测模型,利用模型预测管道输出端的流量数据,并与实际的管道数据相比较生成过程监测残差,最后将残差与休哈特控制图结合来反映当前的管道运行状态。为了实现管道运行状态监测的目的,本文主要开展以下研究工作:（1）针对数据驱动方法对SCADA数据质量的要求,对SCADA数据中存在的异常数据进行预处理,为后续天然气管道状态监测模型的建立提供可靠的数据源。（2）针对传统的机器学习算法和统计方法缺乏时间记忆能力,而无法提取SCADA数据的隐含时序特征信息,导致天然气管道流量的预测精度不高的问题,基于SCADA数据,本文提出一种利用长短时记忆网络（Long Short-Term Memory,LSTM）的天然气管道流量预测方法。该方法考虑了管道输入输出端流量数据的相关性,将二者作为LSTM神经网络模型的输入,下一时刻管道输出端的流量作为神经网络的输出,利用管道实测数据验证了所提出方法的有效性。（3）针对当前的状态监测研究方法未充分利用SCADA数据隐含的时空特征信息,不能够准确的对管道运行状态进行监测的问题,提出一种基于CNN-LSTM的管道状态监测模型。该模型先后通过一维卷积神经网络（Convolutional Neural Network,CNN）和LSTM网络提取管道数据的空间特征及时间特征,解决了单一LSTM网络无法充分挖掘管道数据隐含的时空特征信息,能够精准的预测管道输出端的流量数据。再通过与管道实际数据相比较得到残差序列。（4）利用休哈特控制图对残差序列的波动进行监测,以实时残差的均值和方差构成休哈特控制图门限对残差进行判断,可准确的对管道的运行状态做出相应反应。通过实验验证所提出状态监测模型的有效性。