近年来,工业生产过程中发生的安全事故,在使国家经济遭受巨大的损失的同时,还严重威胁着人民群众的生命安全。工业安全生产得到越来越多的重视。储罐作为工业现场常见的生产设备,检测方式多以人工为主,这使得储罐检测的效率过低,在一些危险的情况下还会威胁到相关检测人员的生命健康。对储罐进行漏磁检测,提高缺陷检出率,在保障相关检测人员的生命健康以及工业生产的安全运行具有重大意义。本课题针对5mm壁厚储罐底板裂缝缺陷,在实验室环境下利用设计的漏磁检测模块进行信号采集分析,对传统的缺陷识别BP（Back Propagation）神经网络进行改进,设计基于遗传算法的BP神经网络识别程序,对比二者的识别效果,最终结果表明,相较于传统的BP神经网络,所设计的基于遗传算法改进的BP神经网络可以有效提高对储罐底板裂缝缺陷长度与深度的识别准确率。论文首先对课题的背景意义以及漏磁检测的国内外研究现状进行介绍。然后给出缺陷在磁偶极子模型下缺陷磁场的磁场分布情况,针对在实际工程中磁偶极子模型计算复杂这一缺点,引入有限元分析作为求解方法加以完善。通过专门的有限元分析软件建立漏磁检测的二维模型,确定缺陷参数与漏磁场磁感应强度各个分量的对应关系,为特征信号的选取奠定仿真基础。完成漏磁检测模块硬件结构和软件程序的设计。最后针对BP神经网络拟合容易陷入局部极值的问题,将遗传算法引入神经网络缺陷识别之中,完成对BP神经网络缺陷识别程序的改进。最后通过实验结果对比分析,确定所设计的基于遗传算法改进的BP神经网络可以在传统缺陷识别算法的基础上将误差进一步减小,最终将储罐底板裂缝缺陷的识别误差控制在8%以内。