输油管道的安全运行是保障我国国民经济健康平稳发展的重要因素。近年来,国内屡屡发生的输油管道泄漏事故,给我国人民带来了巨大的生命和财产损失。如果处理不当还可能给周边环境带来重大污染。输油管道的安全问题受到越来越多的社会关注,对输油管道的泄漏诊断方法研究也成为日益重要的课题。本文在分析了当前的研究现状之后,发现现有的泄漏诊断方法多存在误警率和漏警率偏高的问题。出现这些问题的原因是大多数诊断方法要求建立的模型比较复杂,难以用精确的数学形式描述出来。因此有学者研究利用神经网络算法较强的非线性逼近能力来建立精确的输油管道泄漏诊断模型,但是这些研究大多没有考虑输油管道样本数据的不平衡分布问题。不平衡数据学习问题是一个相对较新的挑战,已经引起了学术界和工业界越来越多的关注。而极限学习机作为一种简单高效的单隐层前馈神经网络学习算法,通过对样本加权的方式能有效的提高算法在不平衡数据集上的学习性能。因此本文结合当下高速发展的计算机技术、传感器技术、使用极限学习机来对输油管道进行泄漏诊断。首先采用小波包算法进行输油管道特征提取,然后建立基于极限学习机的输油管道泄漏诊断模型。但是极限学习通过人为静态的对样本加权对算法性能有很大的影响。因此本文提出一种加权极限学习机提升算法,将加权极限学习机集成到改进后的Adaboost算法中,使得样本权重动态更新。然后又引入代价因子到算法的权重更新中,使得本文提出的算法成为代价敏感学习算法,提高对输油管道泄漏的诊断性能。综上所述,本文研究了基于极限学习机的输油管道泄漏诊断方法,并采用了加权极限学习机用于模型训练,解决了训练样本分布不均衡导致的漏警率偏高问题。然后提出权重动态更新的方法用于加权极限学习机的训练,避免了加权极限学习机以提高漏警率为代价来降低漏警率的问题,有效降低了输油管道泄漏诊断的漏警率和误警率。然后引入代价因子到算法中,进一步降低输油管道泄漏诊断的漏警率。