随着我国经济的快速发展,工业生产中对石油、天然气的需求量急剧上升,对输油管道的依赖性也越来越强。在管道故障诊断领域,即使一些微小的故障都会带来价格昂贵的维护成本。为了减少管道的故障以及由故障带来的经济损失,海底管道的状态监测和故障诊断在降低停机时间和维修成本方面日益重要。目前在海底管道异常识别与分类领域存在微小异常难以发现、多类复杂异常难以识别的问题。为了解决这些问题,本文提出了一种基于中层特征的管道缺陷故障分类方法,主要完成了以下几个方面的研究:第一,针对利用现有的管道缺陷故障分类方法对微小缺陷及缺陷局部进行分类时精度低的问题,提出了一种基于词袋模型(Bagof Words,BOW)的中层特征提取方法。该模型可将图像的底层特征转化成中层语义特征。由于海管内检测器采集到的漏磁数据含有噪声,因此需要对漏磁数据进行预处理操作,包括对信号进行放大、插值和滤波,然后对漏磁数据进行圈框,并将圈框内的数据映射到0～255之间,形成漏磁数据样本集。第二,针对BOW模型忽略图像特征点间的空间位置信息的问题,提出了一种基于空间金字塔模型(Spatial Pyramid Matching,SPM)的中层特征提取方法。该方法能使提取出来的中层特征中包含特征点之间的空间信息,进一步增强对于图像内容的表达力,从而提高异常分类的精度。在形成视觉单词的过程中,由于待聚类的尺度不变性特征(Scale Invariant Feature Transform,SIFT)向量数据量大,导致产生内存溢出和效率低的问题,提出了一种先对一幅图像中的SIFT特征向量进行聚类,再循环处理其他图像的方法。第三,针对支持向量机(Support Vector Machine,SVM)中的径向基核函数分类精度受到约束的问题,提出了一种将直方图交叉核自定义为SVM的核函数,并对管道的故障图像样本进行分类的方法。该核函数能进一步增强图像语义的表达力,加大不同图像之间的区分度,从而改善分类效果。基于中层特征的故障分类方法的性能受多个参数影响,在不同大小的参数组合下进行仿真实验,从而可得最佳分类精度,并对分类精度在不同参数影响下的变化规律进行研究。