长距离管道运输是一种极为重要的运输方式,与其他运输方式相比较,管道运输具有明显优势。但是由于各种原因,管道内部可能会产生磨损、破裂等状况。而管道运输是封闭的,外部很难观察到这些状况,这就需要管道内检测器来检测管壁。在实际运行中,内检测器有时会卡在管道中,对管道的正常运输造成极大影响。为了尽快恢复管道运行状态,就需要快速、精确的定位内检测器,因此研究内检测器跟踪定位就显得尤为重要。在研究了相关文献的基础上,本文做出了如下工作:第一,针对内检测器在现场的运行情况,本文设计了一种结合流量和负压波的内检测器跟踪定位模型,并提出了一种改进的负压波计算方法。首先基于流量平衡对内检测器进行粗定位,之后根据焊缝识别对内检测进行修正定位,从而实现内检测器的精确定位。第二,针对如何识别焊缝的问题,本文提出了一种结合卷积神经网络和支持向量机的焊缝识别模型。首先对压力数据预处理,包括时间窗的选取、数据归一化和管道两端数据统一化,之后使用卷积神经网络提取预处理后数据的特征,并采用支持向量机对提取的特征分类,从而识别出含有焊缝信息的样本。同时为了提高本模型的识别精度和更新速率,本文提出了一种适于本网络的自适应学习率更新方法和权重初始化方法。第三,针对如何根据带有焊缝信息的压力曲线来定位的问题,本文研究出了一种基于经验模态分解和拆分式小波变换的定位方法。首先通过基于经验模态分解的滤波方法实现了对压力曲线的去噪,之后通过拆分式小波变换准确提取滤波后压力曲线的突变点,实现焊缝的精确定位,并取出多组含有焊缝信息的首末站数据进行仿真验证了算法的有效性。第四,根据上述的定位方法本文设计了一种内检测跟踪定位系统,其中包括硬件设计和软件实现。硬件部分设计了数据采集模块;软件部分设计并实现了软件整体系统,之后又介绍了各功能模块的工作流程,并展示了多个模块的设计完成图。