近年来,管道运输在石油、天然气等能源的输送方面扮演着十分重要的角色,对促进社会、经济的快速发展发挥着不可替代的作用,然而由于管道自然老化或人为破坏等产生的裂纹、腐蚀、凹陷等缺陷将带来巨大的管道事故隐患,可能引发重大的安全事故和经济损失。因此定期的管道安全检测是十分必要的。超声导波检测是沿着管道纵向长度,全截面传播检测,检测效率高,检测速度快,对涂层管道及地下管道免剥离,逐渐成为了管道无损检测的重要研究方向之一。但超声导波传播过程中会受到自身特性影响,如在传播过程会产生严重的频散特性、多模态特性、衰减的特性,以及实际工程中会受到的噪音干扰、电干扰等,因此在对长距离小缺陷管道进行检测时,缺陷回波信号中的导波信号往往会变得十分微弱,也极有可能淹没在环境噪声中,进而导致回波信号中的缺陷特征难以识别,致使在工程上通过回波信号分析损伤的存在和对损伤进行分类仍是一个研究难点。为识别不同检测弱信号所表征的特征类别,本文提出了基于Duffing系统和深度学习相结合的信号特征检测方法。本文的主要研究内容包括:首先研究了基于Duffing振子的超声导波信号检测方法,完成了系统调参以及分维数曲线的绘制和提取工作,研究传统超声导波信号分析方法,从小波系数、时域信号参数、以及混沌指标这三个方向提取回波信号的特征参数,然后进行神经网络构建,本文引入人工神经网络处理损伤识别问题,分别研究了BP神经网络和卷积神经网络的结构,研究分析了BP神经网络和一维卷积神经网络的结构损伤识别效果,完成了神经网络的搭建工作,并利用BP神经网络和一维卷积神经网络搭建的神经网络完成对管道超声导波信号的学习、分类工作。最终利用管道超声导波的数值模拟和实验验证对深度学习与Duffing系统结合的损伤识别方法进行了有效论证,对比分析了两种方法对管道识别的有效性。结果表明:一维卷积神经网络在处理数值模拟管道超声导波信号的分类问题上准确率高达98.82%,优于BP神经网络的91.85%。基于以上研究进进行实验验证,其结果表明:实验系统对裂纹有最好的识别效果,实验环境下的管道特征与缺陷类别的识别率高达96.33%,验证了Duffing系统与深度学习相结合方法能够很好的完成管道特征与缺陷的识别。本文创新性的将输入了回波信号后的Duffing系统的动力响应指标分数维作为卷积神经网络的输入,进一步输出缺陷类型,实现管道中小缺陷的识别和分类。本文研究结果对于实际工程中管道缺陷分类,预防管道事故具有重要意义。