采用漏磁检测方法检测钢管缺陷时,缺陷信息的传输与采集可能在多个环节上受到干扰和影响。在分析这些干扰源对缺陷漏磁场信号影响的基础上,精心设计了根据相对速度调整截止频率的程控高通和抗频率混叠滤波器。当放大电路的放大倍数取70倍时,信号的信噪比(SNR)在30dB以上,达到或接近测量仪器的水平。设计了独特的单通道双放大倍数电路,分别为70倍和30倍放大,不同尺寸的缺陷可以使用不同放大倍数的信号进行分析。从数字信号处理的角度对磁电信号的相位和时延误差进行了校正,消除了信号中的趋势项,并进行了平滑和滤波处理,消除了信号中的奇异点和偶然干扰因素;对缺陷信号沿钢管轴向逐个断面进行拟合,得到缺陷漏磁场的一系列“切片”信号,由这些“切片”信号完成了缺陷漏磁场的空间重构。对重构的缺陷漏磁场信号进行离散采样,提取出虚拟的最佳位置传感器信号,用于对缺陷的定量分析与计算。使用双正交样条小波方法提取、计算了包括峰-峰值Up-p、谷-谷值Dv-v、面积Sa、能量E等在内的缺陷信号的15个主要特征量。对不同尺寸的相同类型缺陷信号特征量和不同类型缺陷信号特征量进行了对比分析,为缺陷的分类和定量计算提供了充分和有效的信息。建立了缺陷模式识别的BP神经网络模型,为每类缺陷设计了专门的识别网络,每个识别网络采用单输出方式,提高了分类识别的准确性。网络训练时采用附加动量因子的梯度下降算法,加快了网络的收敛速度。分类识别结果表明,基于BP神经网络的缺陷分类器具有较高的正确性。建立了缺陷定量识别的BP神经网络模型,为每类缺陷设计了专门的定量识别网络。对定量识别网络的均方误差函数进行了改进,使网络的训练过程更为稳定和平滑。通过对定量识别结果的分析表明,本文设计的各类缺陷的定量识别BP神经网络在识别训练样本时的绝对偏差均在0.01mm以下;在识别非训练样本时,排除加工误差的影响,绝对偏差均在0.2mm以下。这表明定量识别的结果具有较高的精度,能够实现小缺陷的精确定量识别。