随着国民经济的发展,管道由于其在流体运输中独特的优势,在运送被称为国民经济血液的石油等方面正发挥着不可替代的重要作用。但是随着管道运输的发展,老化、腐蚀和受经济利益驱动的人为偷盗等原因,导致管道泄漏事故频繁发生,造成了重大的经济损失、环境污染和安全隐患。快速准确地检测出管道泄漏,对于保护自然环境和国家财产具有重大的意义。本论文以管道运输中的故障诊断问题为背景,基于Hopfield神经网络的理论和方法,对输油管道泄漏的故障检测进行了深入的研究。传统基于负压波的泄漏诊断大多基于压力降拐点信息进行判断,判断范围较窄,容易出现误报。本文提出的方法以发生泄漏的一个时间段作为整体,提取发生泄漏过程的压力变化曲线,建立Hopfield神经网络模型对泄漏故障进行诊断。对泄漏曲线的识别过程包括训练和识别两个阶段。在训练阶段,以处理后的样本数据作为网络目标向量,建立网络,保存网络连接权值；在识别阶段,将待识别的数据处理后送入网络运行,待网络平衡后,将输出结果与目标向量进行比较,得出识别结果。本文主要进行了以下几个方面的工作：首先,针对压力信号中存在的噪声问题,基于小波理论和方法给出了泄漏信号的消噪算法,为基于Hopfield神经网络的泄漏检测算法提供了良好的分析基础。然后,基于消噪后的信号,提出了管道压力数据的离散化方法,并利用Hopfield神经网络的联想记忆能力,给出了管道泄漏的诊断方法。最后,通过以上的研究,给出了两种基于Hopfield神经网络的可以实时检测的算法。其中第二种方法利用了小波模极大值方法确定了泄漏的准确拐点,在实现了实时检测的同时,也可以提供准确的泄漏位置。针对本文运用的算法,通过MATLAB软件进行了大量的仿真实验,利用现场的实际压力数据,保证该方法的实验结果具有高度的可信性和实际的应用性。仿真实验证明,本文运用的故障诊断算法应用于输油管道泄漏检测能够准确的判断出泄漏的发生,并有效地改善了误报现象,充分证明了该算法强大的处理能力。