对于天然气管道来说,对管道发生泄漏与否进行有效的判断是个关键问题,目前石油管道上比较通用的管道泄漏检测方法由于存在定位不准确、适应性差等问题,使得在天然气管道检测上并不适用。为此,本文对采集的天然气管道声波信号进行分析处理并利用模糊神经网络对管道泄漏状况判断,为泄漏识别提供依据。通过对天然气管道现场实际状况的调研及实际泄漏数据的采集分析并在借鉴相关文献和理论的基础上,提出基于RPROP-MDE优化的模糊RBF神经网络天然气管道泄漏检测方法。根据天然气管道声波信号特点选取小波变换法对信号进行消噪的预处理,仿真表明用软阈值函数的5层db1小波基分解对采集的天然气管道声波信号的消噪效果更为理想,最后通过小波分解提取了时域和频域的特征值作为下一步模糊RBF神经网络的输入参数。针对天然气管道特点构建了模糊RBF神经网络泄漏检测模型,并将消噪后提取的特征值作为模糊RBF神经网络的输入参数,进而通过模糊神经网络判断管道的泄漏状况。针对差分进化算法的缺陷,从交叉概率、变异因子、变异策略、周期变异种群位置三个方面对标准差分算法进行改进,并通过典型的Bencmark函数证明了改进后的差分算法的收敛性能和所得最优解都有较大改善。为避免网络初始参数对网络训练产生的影响及常规负梯度算法在权值调整中的缺陷,提出RPROP-MDE的联合算法对模糊RBF网络进行训练,即用改进后的差分算法对模糊神经网络的初始权值进行优化,之后采用RPROP算法对进行权值调整,进一步提高了网络的预测精度和收敛能力,并通过实际仿真结果证明改进算法的有效性。