当今形势下,油气资源最理想的输送形式是管道。由于其所处于环境复杂多样,面临着被腐蚀的风险,这些问题的出现会导致管道失效压力降低,严重者会使得管道发生穿孔、泄漏和开裂现象,会带来巨大的经济损失和环境污染。为确保管道的安全运行,需要对目前存在缺陷管道的剩余强度进行更加精准的研究。针对传统的缺陷管道剩余强度评价方法过于经验化,且计算复杂。论文将深层结构的神经网络和浅层神经网络的组合算法应用到腐蚀缺陷管道剩余强度的预测中,构建相应的预测模型。本文主要的研究内容有三部分:首先由于智能算法模型易受数据冗余的影响预测精度,因此本文先采用相关性分析的方法对收集到的数据进行分析,验证各影响因素间是否存在共线性问题,再结合岭回归和LASSO回归方法筛选影响腐蚀缺陷管道剩余强度的影响因素,为后续的预测工作提供数据基础。然后在缺陷管道的剩余强度预测中,分别在第四章和第五章引入深层结构的深度置信网络和三种优化算法优化浅层结构的BP神经网络,构建了缺陷管道剩余强度的预测模型。在第四章分析深度置信网络模型和单一的BPNN模型的预测精度,再结合第二章介绍的剩余强度评价方法进行对比。在第五章将组合算法模型与BPNN模型进行分析,最后再结合剩余强度评价方法将所有模型在预测精确性和稳定性方面进行综合评价。研究结果表明,深度置信网络模型相较于单一BPNN模型预测性能和泛化能力有更大优势,且预测精度均高于七种剩余强度评价方法,通过三种组合模型（GA-BPNN模型、PSO-BPNN模型、SSA-BPNN模型）的对比分析说明优化后的BPNN模型预测精度和稳定性都有所提升,说明优化算法可以解决BPNN模型极易陷入局部最优、预测精度低的问题。最终通过综合分析,证明了本文提出的算法模型相较于传统评价方法对缺陷管道剩余强度的预测具有一定的适用性和准确性,其中SSA-BPNN模型在迭代寻优能力、预测精度和稳定性上都是最优的。