液压缸的内泄漏是难以避免的液压系统故障,此故障会严重影响液压系统的工作效率。因此,对于液压缸内泄漏的数据进行准确识别和预测就非常重要了。本文提出建立一种模拟液压缸微小内泄漏的模型,将液压油的泄漏量通过高精度应变片转化为应变信号,并将采集到的应变信号利用各类神经网络进行训练,形成计算模型,并通过该模型得到预测结果。文中应用到的神经网络有卷积神经网络、BP神经网络、T-S神经网络和Elman神经网络,并将神经网络预测的结果和实际泄漏量相对比。其中卷积神经网络的准确度最高。该研究为测量和预测微小泄漏提供了科学技术支撑。针对该新型方法本文进行了以下几个方面的研究:（1）研发一种新型的测量液压缸微小内泄漏实验装置,该装置的主要设计理念目标为:便捷、微型、可重复利用以及鲁棒性高等特点。（2）建立液压缸微小内泄漏测量的数学模型。以材料力学中的悬臂梁弯曲为理论基础推导出应变片应变量与液压缸内泄漏量之间的数学关系;根据电阻式应变片的“应变效应”建立电桥输出电压与应变片应变量之间的数学关系。（3）搭建实验数据的采集系统,采集应变和内泄漏数据,简要说明应变和内泄漏量之间的关系,分析机器学习方法应用在液压缸内泄漏预测问题上的可行性。（4）以数据采集系统采集的应变和内泄漏数据为基础,分别使用卷积神经网络、BP神经网络、T-S模糊神经网络和Elman神经网络研究液压缸微小内泄漏的预测。首先初步确定各类神经网络的基本结构,然后根据每个神经网络的网络结构特性确定各个超参数,最后将卷积神经网络、BP神经网络、T-S模糊神经网络和Elman神经网络的预测结果进行对比。结果表明,卷积神经网络对液压缸内泄漏预测的准确度最高,与实验采集的内泄漏值基本相符。