管道泄漏检测技术是保障油气管道安全运行的重要组成部分。由于输油管道常用的泄漏检测技术存在一定的局限性，其检测精度、误报警率等严重受管道工艺操作及泄漏形式多样性的制约，管道安全运行对泄漏检测技术提出了检测小泄漏、缓泄漏、降低误报警率等新要求。由此，深入研究管道压力信号的内部动态特性，有效识别出各类工况及泄漏状态是提高管道泄漏检测精度的发展趋势。研究主要工作如下：本文以实测输油管道压力信号为研究对象，采用三层小波包消噪方法对原始数据进行预处理，基于最大Lyapunov指数探究了管道流体的内在复杂性。以6组不同状态的管道压力时间序列为例，从非线性动力学角度出发，利用MATLAB软件重构时间序列，提取其混沌特征和近似熵值等非线性特征值，表明了不同状态下压力信号的特征值分布呈现了其不同程度的内在复杂性。论文采用仿生学演化而来的群智能算法优化前馈神经网络。分析并比较了近年来发展的人工蜂群算法和传统的粒子群算法的基本理论及优化神经网络模式，通过国际标准数据集验证了人工蜂群算法优化的BP神经网络模型能够更快速地收敛并达到训练误差要求，有效提高了分类测试精度，因而将该类模型应用于输油管道的泄漏状态识别。通过采集现场输油管道模拟缓泄漏的实测信号，提取压力信号的非线性特征，建立群智能优化的神经网络模型进行泄漏检测。分析结果显示人工蜂群能够快速高精度地优化网络权阈值参数，使用更少的步数达到误差训练要求，建立的优化网络在能够检测到缓慢接近1%的泄漏情况下识别正确率达到91.67%，大大降低管道检测系统的误报警率，提高了系统的可靠性。