油气管道的定期检测是保证管道能源安全运输的重要手段之一。早期的管道缺陷鉴别过程大都是由经验丰富的无损检测人员根据漏磁信号的特点直接评估完成，其结果存在大量的人为因素，且耗时较长。另外该方法只能给出缺陷的大概损伤程度，而无法对缺陷的形状和尺寸进行描述，并且国内外各个公司对自己的管道智能检测器(PIG)的测量资料的解释方法在技术上都是保密的。因此我们需要一种新的漏磁信号的鉴别手段来解决以上这些问题，而神经网络技术本身所具有的特点和优点决定了它能够在漏磁信号的智能化处理方面具有一定的优势。 本文的主要工作是通过选择BP神经网络对油气管道漏磁信号数据的学习和训练，诣在寻找一种通过对油气管道漏磁信号的特征的分析来描述管道缺陷形状的方法，以达到对油气管道的智能化检测的目的。 首先本文叙述了管道漏磁信号的检测原理，并通过使用无限元分析软件ANSYS来仿真得到管道漏磁数字信号的数据特征，以便为BP神经网络的学习和训练打下了坚实的基础。 其后，本文详细的介绍了神经网络的基本理论以及BP神经网络的算法模型，并根据实际需要对BP神经网络的算法做了详细的推导和修正，最终选择了共轭梯度法和LM算法这两种最优化算法相结合的方案来解决对漏磁信号的学习和训练。 接着本文又详细地介绍了用修正后的BP算法对漏磁信号的仿真数据和实测数据分别进行学习和训练，并对学习后的预测结果和输入样本数据相比较。由于比较后的误差效果较好，从而表明用BP神经网络来智能化处理油气管道的漏磁信号是可行的。 本文最后还对BP神经网络在漏磁信号处理中的硬件实现方案提出了设想，通过简单探讨了硬件描述语言(VHDL)的特点优点以及可编程逻辑器件的发展现状，使我们认识到用硬件描述语言(VHDL)来实现BP神经网络的美好前景。